මුහුණු හඳුනාගැනීම සහ ස්වයංක්රීයව ධාවනය වන මෝටර් රථ ධාවනය කරන එම තාක්ෂණයම විශ්වයේ සැඟවුණු රහස් විවෘත කිරීමේ ප්රධාන මෙවලමක් වනු ඇත.
නිරීක්ෂණ තාරකා විද්යාවේ මෑතකාලීන වර්ධනයන් දත්ත පිපිරීමකට තුඩු දී ඇත.
බලවත් දුරේක්ෂ දිනපතා ටෙරාබයිට් දත්ත රැස් කරයි. එතරම් දත්ත සැකසීමට විද්යාඥයින් විසින් විකිරණ මැනීම සහ අනෙකුත් ආකාශ සංසිද්ධි වැනි ක්ෂේත්රයේ විවිධ කාර්යයන් ස්වයංක්රීය කිරීමට නව ක්රම සොයා ගත යුතුය.
තාරකා විද්යාඥයින් වේගවත් කිරීමට උනන්දු වන එක් විශේෂ කාර්යයක් වන්නේ මන්දාකිණි වර්ගීකරණයයි. මෙම ලිපියෙන්, මන්දාකිණි වර්ගීකරණය එතරම් වැදගත් වන්නේ ඇයිද යන්න සහ දත්ත පරිමාව වැඩි වන විට පරිමාණය කිරීම සඳහා පර්යේෂකයන් උසස් යන්ත්ර ඉගෙනුම් ශිල්පීය ක්රම මත විශ්වාසය තැබීමට පටන් ගෙන ඇත්තේ කෙසේද යන්න පිළිබඳව අපි යන්නෙමු.
මන්දාකිණි වර්ගීකරණය කළ යුත්තේ ඇයි?
මන්දාකිණි රූප විද්යාව ලෙස ක්ෂේත්රයේ හඳුන්වන මන්දාකිණි වර්ගීකරණය ආරම්භ වූයේ 18 වැනි සියවසේදීය. එම කාලය තුළ විවිධ 'නිහාරිකා' විවිධ ස්වරූපවලින් පැමිණෙන බව ශ්රීමත් විලියම් හර්ෂල් නිරීක්ෂණය කළේය. ඔහුගේ පුත් ජෝන් හර්ෂල් මන්දාකිණි නිහාරිකා සහ මන්දාකිණි නොවන නිහාරිකා අතර වෙනස හඳුනා ගැනීමෙන් මෙම වර්ගීකරණය වැඩිදියුණු කළේය. මෙම වර්ගීකරණයන් දෙකෙන් අවසාන වර්ගීකරණය අප දන්නා සහ මන්දාකිණි ලෙස හැඳින්වේ.
18 වන ශතවර්ෂයේ අවසානය වන විට, විවිධ තාරකා විද්යාඥයින් මෙම විශ්වීය වස්තූන් "අතිරේක මන්දාකිණි" බවත්, ඒවා අපගේම ක්ෂීරපථයෙන් පිටත පිහිටා ඇති බවත් අනුමාන කළහ.
හබල් විසින් 1925 දී හබල් අනුපිළිවෙල හඳුන්වාදීමත් සමඟ මන්දාකිණි වල නව වර්ගීකරණයක් හඳුන්වා දෙන ලදී, එය අවිධිමත් ලෙස හබල් සුසර කිරීමේ-ෆෝක් රූප සටහන ලෙස හැඳින්වේ.
හබල්ගේ අනුපිළිවෙලින් මන්දාකිණි නිත්ය සහ අක්රමවත් මන්දාකිණි වලට බෙදා ඇත. නිත්ය මන්දාකිණි තවදුරටත් පුළුල් පන්ති තුනකට බෙදා ඇත: ඉලිප්සාකාර, සර්පිලාකාර සහ කාච.
මන්දාකිණි පිළිබඳ අධ්යයනයෙන් අපට විශ්වය ක්රියා කරන ආකාරය පිළිබඳ ප්රධාන අභිරහස් කිහිපයක් පිළිබඳ අවබෝධයක් ලබා දේ. තාරකා සෑදීමේ ක්රියාවලිය පිළිබඳ න්යාය කිරීමට පර්යේෂකයන් මන්දාකිණිවල විවිධ ආකාර භාවිතා කර ඇත. සමාකරණ භාවිතා කරමින්, අද අප නිරීක්ෂණය කරන හැඩතලවලට මන්දාකිණි සෑදෙන ආකාරය ආදර්ශන කිරීමට විද්යාඥයන් උත්සාහ කර ඇත.
මන්දාකිණි වල ස්වයංක්රීය රූප විද්යාත්මක වර්ගීකරණය
මන්දාකිණි වර්ගීකරණය කිරීම සඳහා යන්ත්ර ඉගෙනීම භාවිතා කිරීම පිළිබඳ පර්යේෂණ හොඳ ප්රතිඵල පෙන්වා ඇත. 2020 දී ජපානයේ ජාතික තාරකා විද්යා නිරීක්ෂණාගාරයේ පර්යේෂකයන් විසින් a ගැඹුරු ඉගෙනුම් තාක්ෂණය මන්දාකිණි නිවැරදිව වර්ග කිරීමට.
පර්යේෂකයන් විසින් Subaru/Hyper Suprime-Cam (HSC) සමීක්ෂණයෙන් ලබාගත් රූප විශාල දත්ත කට්ටලයක් භාවිතා කරන ලදී. ඔවුන්ගේ තාක්ෂණය භාවිතා කරමින්, මන්දාකිණි S-wise spirals, Z-wise spirals සහ non-spirals ලෙස වර්ග කිරීමට ඔවුන්ට හැකි විය.
ඔවුන්ගේ පර්යේෂණ මගින් දුරේක්ෂ වලින් විශාල දත්ත ඒකාබද්ධ කිරීමේ වාසි පෙන්නුම් කළේය ගැඹුරු ඉගෙනුම තාක්ෂණික ක්රම. ස්නායු දැල් නිසා, තාරකා විද්යාඥයින්ට දැන් බාර්, ඒකාබද්ධ කිරීම් සහ දැඩි කාච සහිත වස්තූන් වැනි වෙනත් රූප විද්යාව වර්ගීකරණය කිරීමට උත්සාහ කළ හැකිය. උදාහරණ වශයෙන්, සම්බන්ධ පර්යේෂණ MK Cavanagh සහ K. Bekki වෙතින් මන්දාකිණි ඒකාබද්ධ කිරීමේදී තීරු සෑදීම පිළිබඳව විමර්ශනය කිරීමට CNN භාවිතා කරන ලදී.
එය ක්රියා කරන්නේ කෙසේද
NAOJ හි විද්යාඥයන් විශ්වාස කළේ පරිවර්තනීය මතය ස්නායු ජාල හෝ පින්තූර වර්ගීකරණය කිරීමට CNNs. 2015 සිට, CNNs ඇතැම් වස්තූන් වර්ගීකරණය කිරීම සඳහා අතිශය නිවැරදි තාක්ෂණයක් බවට පත්ව ඇත. සීඑන්එන් සඳහා සැබෑ-ලෝක යෙදුම්වලට රූපවල මුහුණු හඳුනාගැනීම, ස්වයං-රිය පදවන මෝටර් රථ, අතින් ලියන ලද චරිත හඳුනාගැනීම සහ වෛද්ය විද්යාව ඇතුළත් වේ. රූප විශ්ලේෂණය.
නමුත් CNN වැඩ කරන්නේ කෙසේද?
CNN අයත් වන්නේ වර්ගීකරණයක් ලෙස හඳුන්වන යන්ත්ර ඉගෙනුම් ශිල්පීය ක්රම කාණ්ඩයකටය. වර්ගීකරණය කරන්නන්ට යම් ආදානයක් ගෙන දත්ත ලක්ෂ්යයක් ප්රතිදානය කළ හැක. උදාහරණයක් ලෙස, වීදි සංඥා වර්ගීකාරකයකට රූපයක් ලබා ගැනීමට සහ රූපය වීදි ලකුණක් ද නැද්ද යන්න ප්රතිදානය කිරීමට හැකි වේ.
CNN යනු a සඳහා උදාහරණයකි ස්නායු ජාලය. මෙම ස්නායු ජාල සමන්විත වේ න්යුරෝන සංවිධානය කර ඇත ස්ථරයන්ය. පුහුණු අවධියේදී, මෙම නියුරෝන නිශ්චිත බර සහ පක්ෂග්රාහී අනුවර්තනය වීමට සුසර කර ඇති අතර එමඟින් අවශ්ය වර්ගීකරණ ගැටළුව විසඳීමට උපකාරී වේ.
ස්නායුක ජාලයකට රූපයක් ලැබුණු විට, එය සමස්තයක් ලෙස සියල්ලට වඩා රූපයේ කුඩා ප්රදේශ ගනී, එක් එක් නියුරෝන ප්රධාන රූපයේ විවිධ කොටස් ගන්නා බැවින් අනෙක් නියුරෝන සමඟ අන්තර් ක්රියා කරයි.
සංවෘත ස්ථර තිබීම CNN අනෙකුත් ස්නායුක ජාලවලට වඩා වෙනස් කරයි. මෙම ස්ථර ආදාන රූපයෙන් විශේෂාංග හඳුනාගැනීමේ අරමුණින් පික්සලවල අතිච්ඡාදනය වන කුට්ටි පරිලෝකනය කරයි. අපි සමීපව ඇති නියුරෝන සම්බන්ධ කරන බැවින්, ආදාන දත්ත එක් එක් ස්ථරයක් හරහා ගමන් කරන විට ජාලයට පින්තූරය තේරුම් ගැනීමට පහසු වේ.
Galaxy Morphology හි භාවිතය
මන්දාකිණි වර්ගීකරණයේදී භාවිතා කරන විට, CNNs මන්දාකිනියේ රූපයක් කුඩා "පැච්" වලට කඩා දමයි. ගණිතය ටිකක් භාවිතා කරමින්, පළමු සැඟවුණු ස්තරය පැච් එකේ රේඛාවක් හෝ වක්රයක් තිබේද යන්න විසඳීමට උත්සාහ කරයි. අතක් තිබීම වැනි සර්පිලාකාර මන්දාකිණියක ලක්ෂණයක් පැච් එකේ අඩංගුද යන්න වැනි සංකීර්ණ ප්රශ්න විසඳීමට වැඩිදුර ස්ථර උත්සාහ කරනු ඇත.
රූපයක කොටසක සරල රේඛාවක් තිබේද යන්න නිශ්චය කිරීම සාපේක්ෂ වශයෙන් පහසු වන අතර, කුමන ආකාරයේ සර්පිලාකාර මන්දාකිනියක්ද යන්න නොසලකා, රූපය සර්පිලාකාර මන්දාකිනියක් පෙන්නුම් කරන්නේද යන්න විමසීම වඩ වඩාත් සංකීර්ණ වේ.
ස්නායුක ජාල සමඟ, වර්ගීකාරකය අහඹු නීති සහ නිර්ණායක සමඟ ආරම්භ වේ. මෙම නීති ටිකෙන් ටික අපි විසඳීමට උත්සාහ කරන ගැටලුවට වඩ වඩාත් නිවැරදි හා අදාළ වේ. පුහුණු අදියර අවසන් වන විට, ස්නායු ජාලයට දැන් රූපයක් දෙස බැලිය යුතු අංගයන් පිළිබඳ හොඳ අදහසක් තිබිය යුතුය.
පුරවැසි විද්යාව භාවිතයෙන් AI දිගු කිරීම
පුරවැසි විද්යාව යනු ආධුනික විද්යාඥයන් හෝ මහජන සාමාජිකයන් විසින් සිදු කරනු ලබන විද්යාත්මක පර්යේෂණයන් ය.
තාරකා විද්යාව අධ්යයනය කරන විද්යාඥයන් බොහෝ විට වඩාත් වැදගත් විද්යාත්මක සොයාගැනීම් කිරීමට උපකාර කිරීම සඳහා පුරවැසි විද්යාඥයන් සමඟ සහයෝගයෙන් කටයුතු කරයි. නාසා ආයතනය පවත්වාගෙන යනු ලබයි ලැයිස්තුව ජංගම දුරකථනයක් හෝ ලැප්ටොප් පරිගණකයක් ඇති ඕනෑම කෙනෙකුට දායක විය හැකි පුරවැසි විද්යා ව්යාපෘති දුසිම් ගණනකට.
ජපානයේ ජාතික තාරකා විද්යා නිරීක්ෂණාගාරය විසින් පුරවැසි විද්යා ව්යාපෘතියක් ද හඳුන්වා දී ඇත Galaxy Cruise. මෙම මුලපිරීම මන්දාකිණි වර්ගීකරණය කිරීමට සහ මන්දාකිණි අතර ඇති විය හැකි ඝට්ටනවල ලකුණු සෙවීමට ස්වේච්ඡා සේවකයන් පුහුණු කරයි. නමින් තවත් පුරවැසි ව්යාපෘතියක් Galaxy Zoo දියත් කිරීමේ පළමු වසර තුළ දැනටමත් වර්ගීකරණය මිලියන 50 කට වඩා ලැබී ඇත.
පුරවැසි විද්යා ව්යාපෘතිවල දත්ත භාවිතා කරමින්, අපට හැකිය ස්නායු ජාල පුහුණු කරන්න මන්දාකිණි තවදුරටත් විස්තරාත්මක පන්තිවලට වර්ග කිරීමට. සිත්ගන්නාසුලු ලක්ෂණ සහිත මන්දාකිණි සොයා ගැනීමට අපට මෙම පුරවැසි විද්යා ලේබල භාවිතා කළ හැකිය. මුදු සහ කාච වැනි විශේෂාංග තවමත් ස්නායුක ජාලයක් භාවිතයෙන් සොයා ගැනීමට අපහසු විය හැක.
නිගමනය
තාරකා විද්යා ක්ෂේත්රයේ ස්නායු ජාල ශිල්පීය ක්රම වැඩි වැඩියෙන් ජනප්රිය වෙමින් පවතී. 2021 දී නාසා හි ජේම්ස් වෙබ් අභ්යවකාශ දුරේක්ෂය දියත් කිරීම නිරීක්ෂණ තාරකා විද්යාවේ නව යුගයක් පොරොන්දු වේ. දුරේක්ෂය දැනටමත් ටෙරාබයිට් දත්ත එකතු කර ඇති අතර, එහි පස් අවුරුදු මෙහෙයුමේ ජීවිත කාලය තුළ තවත් දහස් ගණනක් ඇත.
මන්දාකිණි වර්ගීකරණය ML සමඟ පරිමාණය කළ හැකි බොහෝ විභව කාර්යයන්ගෙන් එකක් පමණි. අභ්යවකාශ දත්ත සැකසීම තමන්ගේම විශාල දත්ත ගැටලුවක් බවට පත්වීමත් සමඟ, විශාල චිත්රය තේරුම් ගැනීමට පර්යේෂකයන් උසස් යන්ත්ර ඉගෙනීම සම්පූර්ණයෙන්ම යෙදිය යුතුය.
ඔබමයි