Ista tehnologija, ki poganja prepoznavanje obrazov in samovozeče avtomobile, bo morda kmalu ključni instrument pri odkrivanju skritih skrivnosti vesolja.
Nedavni razvoj opazovalne astronomije je povzročil eksplozijo podatkov.
Zmogljivi teleskopi dnevno zberejo terabajte podatkov. Za obdelavo toliko podatkov morajo znanstveniki najti nove načine za avtomatizacijo različnih opravil na terenu, kot je merjenje sevanja in drugih nebesnih pojavov.
Posebna naloga, ki jo astronomi nestrpno pospešujejo, je klasifikacija galaksij. V tem članku bomo preučili, zakaj je razvrščanje galaksij tako pomembno in kako so se raziskovalci začeli zanašati na napredne tehnike strojnega učenja za povečevanje, ko se količina podatkov povečuje.
Zakaj moramo razvrščati galaksije?
Klasifikacija galaksij, v stroki znana kot morfologija galaksij, izvira iz 18. stoletja. V tem času je Sir William Herschel opazil, da se različne 'meglice' pojavljajo v različnih oblikah. Njegov sin John Herschel je izboljšal to klasifikacijo z razlikovanjem med galaktičnimi meglicami in negalaktičnimi meglicami. Slednji od teh dveh klasifikacij poznamo in imenujemo galaksije.
Proti koncu 18. stoletja so različni astronomi špekulirali, da so ti kozmični objekti »zunajgalaktični« in da ležijo zunaj naše Rimske ceste.
Hubble je leta 1925 uvedel novo klasifikacijo galaksij z uvedbo Hubblovega zaporedja, neuradno znanega kot Hubblov tuning-fork diagram.
Hubblovo zaporedje je razdelilo galaksije na pravilne in nepravilne galaksije. Pravilne galaksije so bile nadalje razdeljene v tri široke razrede: eliptične, spiralne in lečaste.
Preučevanje galaksij nam daje vpogled v več ključnih skrivnosti delovanja vesolja. Raziskovalci so uporabili različne oblike galaksij za teoretiziranje o procesu nastajanja zvezd. Z uporabo simulacij so znanstveniki tudi poskušali modelirati, kako se same galaksije oblikujejo v oblike, ki jih opazujemo danes.
Avtomatizirana morfološka klasifikacija galaksij
Raziskave uporabe strojnega učenja za razvrščanje galaksij so pokazale obetavne rezultate. Leta 2020 so raziskovalci japonskega nacionalnega astronomskega observatorija uporabili a tehnika globokega učenja za natančno razvrstitev galaksij.
Raziskovalci so uporabili velik nabor podatkov slik, pridobljenih iz raziskave Subaru/Hyper Suprime-Cam (HSC). S svojo tehniko so lahko galaksije razvrstili v spirale v smeri S, spirale v smeri Z in nespirale.
Njihova raziskava je pokazala prednosti združevanja velikih podatkov iz teleskopov z globoko učenje tehnike. Zaradi nevronskih mrež lahko astronomi zdaj poskušajo razvrstiti druge vrste morfologije, kot so palice, združitve in objekti z močno lečo. na primer povezane raziskave iz MK Cavanagh in K. Bekki sta uporabila CNN za raziskovanje oblikovanja palic v galaksijah, ki se združujejo.
Kako deluje
Znanstveniki iz NAOJ so se zanašali na konvolucijo nevronske mreže ali CNN za razvrščanje slik. Od leta 2015 so CNN postali izjemno natančna tehnika za razvrščanje določenih predmetov. Realne aplikacije za CNN vključujejo zaznavanje obrazov na slikah, samovozeče avtomobile, prepoznavanje rokopisnih znakov in medicinske analiza posnetkov.
Kako pa deluje CNN?
CNN spada v razred tehnik strojnega učenja, znanih kot klasifikator. Klasifikatorji lahko sprejmejo določen vhod in izpišejo podatkovno točko. Na primer, klasifikator uličnih znakov bo lahko sprejel sliko in izpisal, ali je slika ulični znak ali ne.
CNN je primer a nevronska mreža. Te nevronske mreže so sestavljene iz nevroni organiziran v plasti. Med fazo usposabljanja so ti nevroni nastavljeni tako, da prilagodijo specifične uteži in pristranskosti, ki bodo pomagali rešiti zahtevani problem klasifikacije.
Ko nevronska mreža prejme sliko, zajame majhna področja slike in ne vsega kot celote. Vsak posamezen nevron medsebojno deluje z drugimi nevroni, ko zajema različne dele glavne slike.
Zaradi prisotnosti konvolucijskih plasti se CNN razlikuje od drugih nevronskih mrež. Ti sloji skenirajo prekrivajoče se bloke slikovnih pik s ciljem prepoznavanja funkcij iz vhodne slike. Ker povezujemo nevrone, ki so blizu skupaj, bo omrežje lažje razumelo sliko, ko vhodni podatki prehajajo skozi vsako plast.
Uporaba v morfologiji galaksije
Ko se CNN uporabljajo pri razvrščanju galaksij, sliko galaksije razdelijo na manjše »zaplate«. Z malo matematike bo prvi skriti sloj poskušal ugotoviti, ali obliž vsebuje črto ali krivuljo. Nadaljnji sloji bodo poskušali rešiti vedno bolj zapletena vprašanja, kot je na primer, ali zaplata vsebuje značilnost spiralne galaksije, kot je prisotnost rokava.
Medtem ko je relativno enostavno ugotoviti, ali del slike vsebuje ravno črto, postaja vse bolj zapleteno vprašanje, ali slika prikazuje spiralno galaksijo, kaj šele, kakšno vrsto spiralne galaksije.
Pri nevronskih mrežah se klasifikator začne z naključnimi pravili in kriteriji. Ta pravila počasi postajajo vse bolj natančna in relevantna za problem, ki ga poskušamo rešiti. Do konca faze usposabljanja bi morala nevronska mreža zdaj imeti dobro predstavo o tem, katere lastnosti naj išče na sliki.
Razširitev AI z uporabo Citizen Science
Državljanska znanost se nanaša na znanstvene raziskave, ki jih izvajajo amaterski znanstveniki ali javni člani.
Znanstveniki, ki preučujejo astronomijo, pogosto sodelujejo z državljanskimi znanstveniki, da bi pomagali do pomembnejših znanstvenih odkritij. NASA trdi, da a Seznam na desetine projektov državljanske znanosti, h katerim lahko prispeva vsak z mobilnim telefonom ali prenosnikom.
Japonski nacionalni astronomski observatorij je pripravil tudi projekt državljanske znanosti, znan kot Križarjenje po Galaxyju. Pobuda usposablja prostovoljce za razvrščanje galaksij in iskanje znakov morebitnih trkov med galaksijami. Drugi državljanski projekt se imenuje Galaxy Zoo je že v prvem letu lansiranja prejel več kot 50 milijonov klasifikacij.
Z uporabo podatkov iz projektov državljanske znanosti lahko uri nevronske mreže za nadaljnje razvrščanje galaksij v podrobnejše razrede. Te oznake državljanske znanosti bi lahko uporabili tudi za iskanje galaksij z zanimivimi lastnostmi. Funkcije, kot so obročki in leče, je morda še vedno težko najti z nevronsko mrežo.
zaključek
Tehnike nevronskih mrež postajajo vse bolj priljubljene na področju astronomije. Izstrelitev Nasinega vesoljskega teleskopa James Webb leta 2021 obljublja novo dobo opazovalne astronomije. Teleskop je že zbral terabajte podatkov, morda pa jih bo v petletni življenjski dobi na poti še več tisoč.
Klasificiranje galaksij je le ena od mnogih možnih nalog, ki jih je mogoče povečati z ML. Ker postaja obdelava vesoljskih podatkov lastna težava velikih podatkov, morajo raziskovalci v celoti uporabiti napredno strojno učenje, da razumejo celotno sliko.
Pustite Odgovori