முக அங்கீகாரம் மற்றும் சுய-ஓட்டுநர் கார்களை இயக்கும் அதே தொழில்நுட்பம் விரைவில் பிரபஞ்சத்தின் மறைக்கப்பட்ட ரகசியங்களைத் திறப்பதில் முக்கிய கருவியாக மாறக்கூடும்.
கண்காணிப்பு வானியலில் சமீபத்திய முன்னேற்றங்கள் தரவுகளின் வெடிப்புக்கு வழிவகுத்தன.
சக்திவாய்ந்த தொலைநோக்கிகள் தினசரி டெராபைட் தரவுகளை சேகரிக்கின்றன. அந்த அளவுக்குத் தரவைச் செயலாக்க, கதிர்வீச்சு மற்றும் பிற வான நிகழ்வுகளை அளவிடுவது போன்ற பல்வேறு பணிகளைத் தானியக்கமாக்குவதற்கான புதிய வழிகளை விஞ்ஞானிகள் கண்டுபிடிக்க வேண்டும்.
விண்மீன் திரள்களின் வகைப்பாடு வானியலாளர்கள் விரைவுபடுத்த விரும்பும் ஒரு குறிப்பிட்ட பணி. இந்தக் கட்டுரையில், விண்மீன் திரள்களை வகைப்படுத்துவது ஏன் மிகவும் முக்கியமானது என்பதையும், தரவுகளின் அளவு அதிகரிக்கும்போது ஆராய்ச்சியாளர்கள் எவ்வாறு மேம்பட்ட இயந்திரக் கற்றல் நுட்பங்களைச் சார்ந்திருக்கத் தொடங்கியுள்ளனர் என்பதையும் பற்றிப் பார்ப்போம்.
விண்மீன் திரள்களை நாம் ஏன் வகைப்படுத்த வேண்டும்?
விண்மீன்களின் வகைப்பாடு, விண்மீன் உருவவியல் என்று துறையில் அறியப்படுகிறது, இது 18 ஆம் நூற்றாண்டில் தோன்றியது. அந்த நேரத்தில், சர் வில்லியம் ஹெர்ஷல் பல்வேறு 'நெபுலாக்கள்' பல்வேறு வடிவங்களில் வருவதைக் கவனித்தார். அவரது மகன் ஜான் ஹெர்ஷல் விண்மீன் நெபுலாக்கள் மற்றும் விண்மீன் அல்லாத நெபுலாக்களை வேறுபடுத்துவதன் மூலம் இந்த வகைப்பாட்டை மேம்படுத்தினார். இந்த இரண்டு வகைப்பாடுகளில் பிந்தையவை நாம் அறிந்தவை மற்றும் விண்மீன் திரள்கள் என்று குறிப்பிடுகின்றன.
18 ஆம் நூற்றாண்டின் இறுதியில், பல்வேறு வானியலாளர்கள் இந்த அண்டப் பொருள்கள் "அதிக விண்மீன்" என்றும், அவை நமது சொந்த பால்வீதிக்கு வெளியே இருப்பதாகவும் ஊகித்தனர்.
ஹப்பிள் 1925 ஆம் ஆண்டில் ஹப்பிள் வரிசையின் அறிமுகத்துடன் விண்மீன்களின் புதிய வகைப்பாட்டை அறிமுகப்படுத்தினார், இது முறைசாரா முறையில் ஹப்பிள் ட்யூனிங்-ஃபோர்க் வரைபடம் என அறியப்பட்டது.
ஹப்பிளின் வரிசை விண்மீன் திரள்களை வழக்கமான மற்றும் ஒழுங்கற்ற விண்மீன் திரள்களாகப் பிரித்தது. வழக்கமான விண்மீன் திரள்கள் மேலும் மூன்று பரந்த வகுப்புகளாகப் பிரிக்கப்பட்டன: நீள்வட்டங்கள், சுருள்கள் மற்றும் லெண்டிகுலர்.
விண்மீன் திரள்களின் ஆய்வு, பிரபஞ்சம் எவ்வாறு செயல்படுகிறது என்பதற்கான பல முக்கிய மர்மங்களைப் பற்றிய நுண்ணறிவை நமக்கு வழங்குகிறது. விண்மீன் திரள்களின் வெவ்வேறு வடிவங்களை ஆராய்ச்சியாளர்கள் நட்சத்திர உருவாக்கம் செயல்முறையைப் பற்றிக் கருதுகின்றனர். உருவகப்படுத்துதல்களைப் பயன்படுத்தி, விஞ்ஞானிகள் விண்மீன் திரள்கள் இன்று நாம் கவனிக்கும் வடிவங்களில் எவ்வாறு உருவாகின்றன என்பதை மாதிரியாகக் காட்ட முயற்சித்துள்ளனர்.
விண்மீன் திரள்களின் தானியங்கி உருவவியல் வகைப்பாடு
விண்மீன் திரள்களை வகைப்படுத்த இயந்திர கற்றலைப் பயன்படுத்துவதற்கான ஆராய்ச்சி நம்பிக்கைக்குரிய முடிவுகளைக் காட்டியுள்ளது. 2020 ஆம் ஆண்டில், ஜப்பானின் தேசிய வானியல் ஆய்வகத்தின் ஆராய்ச்சியாளர்கள் ஏ ஆழ்ந்த கற்றல் நுட்பம் விண்மீன் திரள்களை துல்லியமாக வகைப்படுத்த.
சுபாரு/ஹைப்பர் சுப்ரைம்-கேம் (HSC) கணக்கெடுப்பில் இருந்து பெறப்பட்ட படங்களின் பெரிய தரவுத்தொகுப்பை ஆராய்ச்சியாளர்கள் பயன்படுத்தினர். அவர்களின் நுட்பத்தைப் பயன்படுத்தி, அவர்கள் விண்மீன் திரள்களை எஸ்-வைஸ் சுருள்கள், இசட்-வைஸ் சுருள்கள் மற்றும் சுழல் அல்லாதவை என வகைப்படுத்தலாம்.
தொலைநோக்கிகளிலிருந்து பெரிய தரவுகளை இணைப்பதன் நன்மைகளை அவர்களின் ஆராய்ச்சி நிரூபித்தது ஆழமான கற்றல் நுட்பங்கள். நரம்பியல் வலைகள் காரணமாக, வானியலாளர்கள் இப்போது பார்கள், இணைப்புகள் மற்றும் வலுவாக லென்ஸ் செய்யப்பட்ட பொருள்கள் போன்ற பிற வகை உருவ அமைப்பை வகைப்படுத்த முயற்சி செய்யலாம். உதாரணத்திற்கு, தொடர்புடைய ஆராய்ச்சி MK Cavanagh மற்றும் K. Bekki இலிருந்து விண்மீன் திரள்களை ஒன்றிணைப்பதில் உள்ள பார் அமைப்புகளை ஆராய CNNகளைப் பயன்படுத்தினர்.
எப்படி இது செயல்படுகிறது
NAOJ இன் விஞ்ஞானிகள் கன்வல்யூஷனலை நம்பியிருந்தனர் நரம்பியல் வலையமைப்புகள் அல்லது படங்களை வகைப்படுத்த CNNகள். 2015 முதல், CNNகள் சில பொருள்களை வகைப்படுத்துவதற்கான மிகத் துல்லியமான நுட்பமாக மாறிவிட்டன. சிஎன்என்களுக்கான நிஜ-உலகப் பயன்பாடுகளில் படங்களில் முகம் கண்டறிதல், சுய-ஓட்டுநர் கார்கள், கையால் எழுதப்பட்ட எழுத்து அங்கீகாரம் மற்றும் மருத்துவம் ஆகியவை அடங்கும். பட பகுப்பாய்வு.
ஆனால் ஒரு CNN எப்படி வேலை செய்கிறது?
CNN ஆனது வகைப்படுத்தி எனப்படும் இயந்திர கற்றல் நுட்பங்களின் வகுப்பிற்கு சொந்தமானது. வகைப்படுத்திகள் குறிப்பிட்ட உள்ளீட்டை எடுத்து தரவு புள்ளியை வெளியிடலாம். எடுத்துக்காட்டாக, ஒரு தெரு அடையாள வகைப்படுத்தி ஒரு படத்தை எடுத்து, படம் தெரு அடையாளமாக இருந்தாலும் இல்லாவிட்டாலும் வெளியிட முடியும்.
ஒரு CNN ஒரு உதாரணம் நரம்பு நெட்வொர்க். இந்த நரம்பியல் நெட்வொர்க்குகள் உருவாக்கப்படுகின்றன நியூரான்கள் ஏற்பாடு செய்யப்பட்டது அடுக்குகள். பயிற்சிக் கட்டத்தில், இந்த நியூரான்கள் குறிப்பிட்ட எடைகள் மற்றும் சார்புகளுக்கு ஏற்ப மாற்றியமைக்கப்படுகின்றன, அவை தேவைப்படும் வகைப்பாடு சிக்கலை தீர்க்க உதவும்.
ஒரு நரம்பியல் வலையமைப்பு ஒரு படத்தைப் பெறும்போது, அது ஒட்டுமொத்தமாக எல்லாவற்றையும் விட படத்தின் சிறிய பகுதிகளை எடுத்துக்கொள்கிறது, ஒவ்வொரு நியூரானும் மற்ற நியூரான்களுடன் தொடர்பு கொள்கிறது, அது முக்கிய படத்தின் பல்வேறு பிரிவுகளில் எடுக்கும்.
கன்வல்யூஷனல் லேயர்களின் இருப்பு CNN ஐ மற்ற நரம்பியல் நெட்வொர்க்குகளிலிருந்து வேறுபடுத்துகிறது. இந்த அடுக்குகள் உள்ளீடு படத்திலிருந்து அம்சங்களை அடையாளம் காணும் நோக்கத்துடன் பிக்சல்களின் ஒன்றுடன் ஒன்று தொகுதிகளை ஸ்கேன் செய்கின்றன. நாம் நெருக்கமாக இருக்கும் நியூரான்களை இணைப்பதால், உள்ளீட்டுத் தரவு ஒவ்வொரு அடுக்கிலும் செல்லும்போது படத்தைப் புரிந்துகொள்வதில் நெட்வொர்க் எளிதாக இருக்கும்.
Galaxy Morphology இல் பயன்பாடு
விண்மீன் திரள்களை வகைப்படுத்தும் போது, CNNகள் ஒரு விண்மீனின் படத்தை சிறிய "பேட்ச்களாக" உடைக்கின்றன. ஒரு பிட் கணிதத்தைப் பயன்படுத்தி, முதல் மறைக்கப்பட்ட அடுக்கு இணைப்பில் ஒரு கோடு அல்லது வளைவு உள்ளதா என்பதைத் தீர்க்க முயற்சிக்கும். மேலும் அடுக்குகள், ஒரு கை இருப்பது போன்ற சுழல் விண்மீனின் அம்சத்தைக் கொண்டிருக்கிறதா என்பது போன்ற சிக்கலான கேள்விகளைத் தீர்க்க முயற்சிக்கும்.
ஒரு படத்தின் ஒரு பகுதி நேர்க்கோட்டைக் கொண்டிருக்கிறதா என்பதைக் கண்டறிவது ஒப்பீட்டளவில் எளிதானது என்றாலும், படம் ஒரு சுழல் விண்மீனைக் காட்டுகிறதா என்று கேட்பது மிகவும் சிக்கலானதாகிறது, எந்த வகையான சுழல் விண்மீன் என்பது ஒருபுறம் இருக்கட்டும்.
நரம்பியல் நெட்வொர்க்குகளுடன், வகைப்படுத்தி சீரற்ற விதிகள் மற்றும் அளவுகோல்களுடன் தொடங்குகிறது. இந்த விதிகள் மெதுவாக மேலும் மேலும் துல்லியமாகவும், நாங்கள் தீர்க்க முயற்சிக்கும் பிரச்சனைக்கு பொருத்தமானதாகவும் மாறும். பயிற்சிக் கட்டத்தின் முடிவில், ஒரு படத்தில் என்ன அம்சங்களைப் பார்க்க வேண்டும் என்பது குறித்து நரம்பியல் நெட்வொர்க்கிற்கு இப்போது நல்ல யோசனை இருக்க வேண்டும்.
குடிமக்கள் அறிவியலைப் பயன்படுத்தி AI ஐ விரிவாக்குதல்
குடிமக்கள் அறிவியல் என்பது அமெச்சூர் விஞ்ஞானிகள் அல்லது பொது உறுப்பினர்களால் நடத்தப்படும் அறிவியல் ஆராய்ச்சியைக் குறிக்கிறது.
வானவியலைப் படிக்கும் விஞ்ஞானிகள், மிக முக்கியமான அறிவியல் கண்டுபிடிப்புகளைச் செய்ய குடிமக்கள் விஞ்ஞானிகளுடன் அடிக்கடி ஒத்துழைக்கிறார்கள். நாசா பராமரிக்கிறது a பட்டியலில் டஜன் கணக்கான குடிமக்கள் அறிவியல் திட்டங்களுக்கு செல்போன் அல்லது லேப்டாப் உள்ள எவரும் பங்களிக்க முடியும்.
ஜப்பானின் தேசிய வானியல் ஆய்வு கூடம் எனப்படும் குடிமக்கள் அறிவியல் திட்டத்தையும் அமைத்துள்ளது கேலக்ஸி குரூஸ். விண்மீன் திரள்களை வகைப்படுத்தவும் மற்றும் விண்மீன் திரள்களுக்கு இடையே சாத்தியமான மோதல்களின் அறிகுறிகளைக் கண்டறியவும் இந்த முயற்சி தன்னார்வலர்களுக்கு பயிற்சி அளிக்கிறது. மற்றொரு குடிமகன் திட்டம் Galaxy Zoo தொடங்கப்பட்ட முதல் வருடத்தில் ஏற்கனவே 50 மில்லியனுக்கும் அதிகமான வகைப்பாடுகளைப் பெற்றுள்ளது.
குடிமக்கள் அறிவியல் திட்டங்களிலிருந்து தரவைப் பயன்படுத்தி, நம்மால் முடியும் நரம்பியல் நெட்வொர்க்குகள் பயிற்சி விண்மீன் திரள்களை மேலும் விரிவான வகுப்புகளாக வகைப்படுத்த. சுவாரஸ்யமான அம்சங்களைக் கொண்ட விண்மீன் திரள்களைக் கண்டறிய இந்தக் குடிமக்கள் அறிவியல் லேபிள்களையும் பயன்படுத்தலாம். மோதிரங்கள் மற்றும் லென்ஸ்கள் போன்ற அம்சங்களை நரம்பியல் நெட்வொர்க்கைப் பயன்படுத்தி கண்டுபிடிப்பது இன்னும் கடினமாக இருக்கலாம்.
தீர்மானம்
வானியல் துறையில் நியூரல் நெட்வொர்க் நுட்பங்கள் பெருகிய முறையில் பிரபலமாகி வருகின்றன. 2021 ஆம் ஆண்டில் நாசாவின் ஜேம்ஸ் வெப் விண்வெளி தொலைநோக்கியின் ஏவுதல் கண்காணிப்பு வானியல் ஒரு புதிய சகாப்தத்தை உறுதியளிக்கிறது. தொலைநோக்கி ஏற்கனவே டெராபைட் தரவுகளை சேகரித்துள்ளது, அதன் ஐந்தாண்டு பணி வாழ்நாளில் இன்னும் ஆயிரக்கணக்கில் தரவுகள் உள்ளன.
விண்மீன் திரள்களை வகைப்படுத்துவது ML உடன் அளவிடக்கூடிய பல சாத்தியமான பணிகளில் ஒன்றாகும். விண்வெளி தரவு செயலாக்கம் அதன் சொந்த பெரிய தரவு பிரச்சனையாக மாறுவதால், பெரிய படத்தை புரிந்து கொள்ள ஆராய்ச்சியாளர்கள் மேம்பட்ட இயந்திர கற்றலை முழுமையாக பயன்படுத்த வேண்டும்.
ஒரு பதில் விடவும்