Иста технологија која покреће препознавање лица и аутомобиле који се сами возе ускоро би могла бити кључни инструмент у откључавању скривених тајни универзума.
Недавни развоји у опсервационој астрономији довели су до експлозије података.
Моћни телескопи дневно прикупљају терабајте података. Да би обрадили толико података, научници треба да пронађу нове начине за аутоматизацију различитих задатака на терену, попут мерења радијације и других небеских појава.
Један посебан задатак који астрономи желе да убрзају је класификација галаксија. У овом чланку ћемо говорити о томе зашто је класификација галаксија толико важна и како су истраживачи почели да се ослањају на напредне технике машинског учења како би се повећали како се обим података повећава.
Зашто морамо да класификујемо галаксије?
Класификација галаксија, позната у овој области као морфологија галаксија, настала је у 18. веку. Током тог времена, сер Вилијам Хершел је приметио да различите 'маглине' долазе у различитим облицима. Његов син Џон Хершел побољшао је ову класификацију правећи разлику између галактичких и негалактичких маглина. Последња од ове две класификације је оно што знамо и називамо галаксијама.
Крајем 18. века, разни астрономи су спекулисали да су ови космички објекти „вангалактички” и да се налазе изван нашег Млечног пута.
Хабл је 1925. године увео нову класификацију галаксија увођењем Хаблове секвенце, неформално познатог као Хаблов дијаграм виљушке.
Хаблова секвенца поделила је галаксије на правилне и неправилне галаксије. Регуларне галаксије су даље подељене у три широке класе: елиптичне, спиралне и сочивасте.
Проучавање галаксија даје нам увид у неколико кључних мистерија о томе како функционише универзум. Истраживачи су користили различите облике галаксија за теоретисање о процесу формирања звезда. Користећи симулације, научници су такође покушали да моделирају како се саме галаксије формирају у облике које данас посматрамо.
Аутоматска морфолошка класификација галаксија
Истраживање коришћења машинског учења за класификацију галаксија показало је обећавајуће резултате. 2020. истраживачи из Националне астрономске опсерваторије Јапана користили су а техника дубоког учења да тачно класификују галаксије.
Истраживачи су користили велики скуп слика добијених из Субару/Хипер Суприме-Цам (ХСЦ) анкете. Користећи своју технику, могли су да класификују галаксије у спирале С, З спирале и не-спирале.
Њихово истраживање је показало предности комбиновања великих података из телескопа са дубоко учење технике. Због неуронских мрежа, астрономи сада могу покушати да класификују друге типове морфологије као што су шипке, спајања и објекти са јаким сочивима. На пример, сродна истраживања из МК Цаванагх и К. Бекки користили су ЦНН да истраже формације шипки у галаксијама које се спајају.
Како све функционише
Научници из НАОЈ-а су се ослањали на конволуциону неуронске мреже или ЦНН-а за класификацију слика. Од 2015. ЦНН-ови су постали изузетно прецизна техника за класификацију одређених објеката. Реалне апликације за ЦНН укључују детекцију лица на сликама, аутомобиле који се сами возе, препознавање руком писаних знакова и медицинске анализа слика.
Али како ради ЦНН?
ЦНН припада класи техника машинског учења познатих као класификатор. Класификатори могу да узимају одређени улаз и излазе из тачке података. На пример, класификатор уличних знакова ће моћи да узме слику и да испише да ли је слика улични знак или не.
ЦНН је пример а неуронска мрежа. Ове неуронске мреже се састоје од неурона организован у слојеви. Током фазе обуке, ови неурони су подешени да прилагоде специфичне тежине и предрасуде које ће помоћи у решавању захтеваног проблема класификације.
Када неуронска мрежа прими слику, она заузима мале делове слике, а не све у целини. Сваки појединачни неурон ступа у интеракцију са другим неуронима док заузима различите делове главне слике.
Присуство конволуционих слојева чини ЦНН другачијим од других неуронских мрежа. Ови слојеви скенирају блокове пиксела који се преклапају са циљем да идентификују карактеристике са улазне слике. Пошто повезујемо неуроне који су близу један другом, мрежа ће лакше разумети слику док улазни подаци пролазе кроз сваки слој.
Употреба у морфологији галаксије
Када се користе у класификацији галаксија, ЦНН-ови разлажу слику галаксије на мање „закрпе“. Користећи мало математике, први скривени слој ће покушати да реши да ли закрпа садржи линију или криву. Даљи слојеви ће покушати да реше све сложенија питања као што је да ли закрпа садржи карактеристике спиралне галаксије, као што је присуство крака.
Иако је релативно лако утврдити да ли део слике садржи праву линију, постаје све сложеније поставити питање да ли слика приказује спиралну галаксију, а камоли коју врсту спиралне галаксије.
Код неуронских мрежа, класификатор почиње насумичним правилима и критеријумима. Ова правила полако постају све прецизнија и релевантнија за проблем који покушавамо да решимо. До краја фазе обуке, неуронска мрежа би сада требало да има добру представу о томе које карактеристике треба да тражи на слици.
Проширивање АИ помоћу Цитизен Сциенце
Грађанска наука се односи на научно истраживање које спроводе научници аматери или чланови јавности.
Научници који проучавају астрономију често сарађују са грађанима научницима како би помогли у стварању важнијих научних открића. НАСА тврди а листа десетине пројеката грађанске науке којима свако ко има мобилни телефон или лаптоп може да допринесе.
Национална астрономска опсерваторија Јапана такође је покренула пројекат науке о грађанима познат као Галаки Цруисе. Иницијатива обучава волонтере да класификују галаксије и траже знаке потенцијалних судара између галаксија. Још један пројекат грађана тзв Галаки Зоо је већ примио преко 50 милиона класификација само у првој години лансирања.
Користећи податке из научних пројеката грађана, можемо обучити неуронске мреже да се галаксије даље разврставају у детаљније класе. Такође бисмо могли да користимо ове научне ознаке грађана да пронађемо галаксије са занимљивим карактеристикама. Функције као што су прстенови и сочива и даље може бити тешко пронаћи помоћу неуронске мреже.
Zakljucak
Технике неуронских мрежа постају све популарније у области астрономије. Лансирање НАСА-иног свемирског телескопа Џејмс Веб 2021. обећава нову еру посматрачке астрономије. Телескоп је већ прикупио терабајте података, са вероватно хиљадама других на путу током своје петогодишње мисије.
Класификација галаксија је само један од многих потенцијалних задатака који се могу повећати помоћу МЛ-а. Пошто обрада свемирских података постаје сопствени проблем великих података, истраживачи морају у потпуности да користе напредно машинско учење да би разумели ширу слику.
Ostavite komentar