E njëjta teknologji që drejton njohjen e fytyrës dhe makinat që drejtojnë vetë, së shpejti mund të jetë një instrument kyç në zhbllokimin e sekreteve të fshehura të universit.
Zhvillimet e fundit në astronominë vëzhguese kanë çuar në një shpërthim të dhënash.
Teleskopë të fuqishëm mbledhin terabajt të dhëna çdo ditë. Për të përpunuar kaq shumë të dhëna, shkencëtarët duhet të gjejnë mënyra të reja për të automatizuar detyra të ndryshme në terren, të tilla si matja e rrezatimit dhe fenomeneve të tjera qiellore.
Një detyrë e veçantë që astronomët janë të etur për ta përshpejtuar është klasifikimi i galaktikave. Në këtë artikull, ne do të shqyrtojmë pse klasifikimi i galaktikave është kaq i rëndësishëm dhe se si studiuesit kanë filluar të mbështeten në teknikat e avancuara të mësimit të makinerive për t'u rritur me rritjen e vëllimit të të dhënave.
Pse na duhet të klasifikojmë galaktikat?
Klasifikimi i galaktikave, i njohur në këtë fushë si morfologjia e galaktikave, filloi në shekullin e 18-të. Gjatë asaj kohe, Sir William Herschel vërejti se 'mjegullnaja' të ndryshme vinin në forma të ndryshme. Djali i tij John Herschel përmirësoi këtë klasifikim duke bërë dallimin midis mjegullnajave galaktike dhe mjegullnajave jogalaktike. Kjo e fundit nga këto dy klasifikime janë ato që ne njohim dhe i referohemi si galaktika.
Nga fundi i shekullit të 18-të, astronomë të ndryshëm spekuluan se këto objekte kozmike ishin "ekstra-galaktike" dhe se ato ndodheshin jashtë Rrugës sonë të Qumështit.
Hubble prezantoi një klasifikim të ri të galaktikave në vitin 1925 me prezantimin e sekuencës Hubble, e njohur joformalisht si diagrami i akordimit të Hubble.
Sekuenca e Hubble i ndau galaktikat në galaktika të rregullta dhe të parregullta. Galaktikat e rregullta u ndanë më tej në tre klasa të gjera: eliptike, spirale dhe thjerrëza.
Studimi i galaktikave na jep njohuri për disa mistere kryesore se si funksionon universi. Studiuesit kanë përdorur forma të ndryshme të galaktikave për të teorizuar rreth procesit të formimit të yjeve. Duke përdorur simulime, shkencëtarët janë përpjekur gjithashtu të modelojnë se si vetë galaktikat formohen në format që ne vëzhgojmë sot.
Klasifikimi i automatizuar morfologjik i galaktikave
Hulumtimet në përdorimin e mësimit të makinerive për të klasifikuar galaktikat kanë treguar rezultate premtuese. Në vitin 2020, studiuesit nga Observatori Kombëtar Astronomik i Japonisë përdorën një teknikë e të mësuarit të thellë për të klasifikuar me saktësi galaktikat.
Studiuesit përdorën një grup të madh të dhënash imazhesh të marra nga anketa Subaru/Hyper Suprime-Cam (HSC). Duke përdorur teknikën e tyre, ata mund t'i klasifikonin galaktikat në spirale të mençura S, spirale të mençura Z dhe jo-spirale.
Hulumtimi i tyre tregoi avantazhet e kombinimit të të dhënave të mëdha nga teleskopët me të mësuarit e thellë teknikat. Për shkak të rrjetave nervore, astronomët tani mund të përpiqen të klasifikojnë lloje të tjera morfologjie si shufrat, bashkimet dhe objektet me lente të forta. Për shembull, kërkime të lidhura nga MK Cavanagh dhe K. Bekki përdorën CNN për të hetuar formacionet e shiritave në bashkimin e galaktikave.
How It Works
Shkencëtarët nga NAOJ u mbështetën në konvolucionin rrjetet nervore ose CNN për të klasifikuar imazhet. Që nga viti 2015, CNN-të janë bërë një teknikë jashtëzakonisht e saktë për të klasifikuar objekte të caktuara. Aplikacionet e botës reale për CNN përfshijnë zbulimin e fytyrës në imazhe, makina vetë-drejtuese, njohjen e karaktereve të shkruara me dorë dhe mjekësore analiza e imazheve.
Por si funksionon një CNN?
CNN i përket një klase të teknikave të mësimit të makinerive të njohura si klasifikues. Klasifikuesit mund të marrin hyrje dhe dalje të caktuar një pikë të dhënash. Për shembull, një klasifikues i shenjave rrugore do të jetë në gjendje të marrë një imazh dhe të nxjerrë nëse imazhi është një shenjë rruge apo jo.
Një CNN është një shembull i një Rrjeti nervoz. Këto rrjete nervore përbëhen nga neuronet organizuar në shtresa. Gjatë fazës së trajnimit, këto neurone janë akorduar për të përshtatur pesha dhe paragjykime specifike që do të ndihmojnë në zgjidhjen e problemit të klasifikimit të kërkuar.
Kur një rrjet nervor merr një imazh, ai merr zona të vogla të imazhit dhe jo gjithçka në tërësi. Çdo neuron individual ndërvepron me neuronet e tjerë siç merr në seksione të ndryshme të imazhit kryesor.
Prania e shtresave konvolucionale e bën CNN të ndryshëm nga rrjetet e tjera nervore. Këto shtresa skanojnë blloqe të mbivendosura pikselësh me qëllimin e identifikimit të veçorive nga imazhi i hyrjes. Meqenëse ne lidhim neuronet që janë afër njëri-tjetrit, rrjeti do ta ketë më të lehtë të kuptojë figurën ndërsa të dhënat hyrëse kalojnë nëpër secilën shtresë.
Përdorimi në Morfologjinë Galaxy
Kur përdoren në klasifikimin e galaktikave, CNN-të zbërthejnë imazhin e një galaktike në "arna" më të vogla. Duke përdorur pak matematikë, shtresa e parë e fshehur do të përpiqet të zgjidhë nëse patch-i përmban një vijë ose kurbë. Shtresat e mëtejshme do të përpiqen të zgjidhin pyetje gjithnjë e më komplekse, si p.sh. nëse arna përmban një veçori të një galaktike spirale, siç është prania e një krahu.
Ndërsa është relativisht e lehtë të përcaktohet nëse një pjesë e një imazhi përmban një vijë të drejtë, bëhet gjithnjë e më komplekse të pyesësh nëse imazhi tregon një galaktikë spirale, e lëre më atë lloj galaktike spirale.
Me rrjetet nervore, klasifikuesi fillon me rregulla dhe kritere të rastësishme. Këto rregulla ngadalë bëhen gjithnjë e më të sakta dhe të rëndësishme për problemin që po përpiqemi të zgjidhim. Deri në fund të fazës së trajnimit, rrjeti nervor tani duhet të ketë një ide të mirë se cilat veçori duhet të kërkojnë në një imazh.
Zgjerimi i AI duke përdorur Citizen Science
Shkenca qytetare i referohet kërkimit shkencor të kryer nga shkencëtarë amatorë ose anëtarë publikë.
Shkencëtarët që studiojnë astronominë shpesh bashkëpunojnë me shkencëtarë qytetarë për të ndihmuar në realizimin e zbulimeve më të rëndësishme shkencore. NASA mban një listë e dhjetëra projekteve shkencore qytetare, në të cilat mund të kontribuojë kushdo që ka një celular ose laptop.
Observatori Kombëtar Astronomik i Japonisë ka krijuar gjithashtu një projekt të shkencës qytetare të njohur si Galaxy Cruise. Nisma trajnon vullnetarë për të klasifikuar galaktikat dhe për të kërkuar shenja të përplasjeve të mundshme midis galaktikave. Një tjetër projekt qytetar thirri Galaxy Zoo ka marrë tashmë mbi 50 milionë klasifikime vetëm në vitin e parë të lançimit.
Duke përdorur të dhëna nga projektet e shkencës qytetare, ne mundemi tren rrjete nervore për të klasifikuar më tej galaktikat në klasa më të detajuara. Ne gjithashtu mund të përdorim këto etiketa shkencore qytetare për të gjetur galaktika me karakteristika interesante. Veçori të tilla si unazat dhe thjerrëzat mund të jenë ende të vështira për t'u gjetur duke përdorur një rrjet nervor.
Përfundim
Teknikat e rrjeteve nervore po bëhen gjithnjë e më popullore në fushën e astronomisë. Nisja e teleskopit hapësinor James Webb të NASA-s në vitin 2021 premton një epokë të re të astronomisë vëzhguese. Teleskopi ka mbledhur tashmë terabajtë të dhëna, me ndoshta mijëra të tjera në rrugë gjatë misionit të tij pesëvjeçar.
Klasifikimi i galaktikave është vetëm një nga shumë detyrat e mundshme që mund të rriten me ML. Me përpunimin e të dhënave hapësinore duke u bërë problemi i tij i të dhënave të mëdha, studiuesit duhet të përdorin plotësisht mësimin e avancuar të makinerive për të kuptuar pamjen e madhe.
Lini një Përgjigju