ఫేషియల్ రికగ్నిషన్ మరియు సెల్ఫ్ డ్రైవింగ్ కార్లను నడిపించే అదే టెక్నాలజీ త్వరలో విశ్వంలోని దాగి ఉన్న రహస్యాలను అన్లాక్ చేయడంలో కీలకమైన పరికరం కావచ్చు.
పరిశీలనాత్మక ఖగోళ శాస్త్రంలో ఇటీవలి పరిణామాలు డేటా పేలుడుకు దారితీశాయి.
శక్తివంతమైన టెలిస్కోప్లు ప్రతిరోజూ టెరాబైట్ల డేటాను సేకరిస్తాయి. చాలా డేటాను ప్రాసెస్ చేయడానికి, శాస్త్రవేత్తలు రేడియేషన్ మరియు ఇతర ఖగోళ దృగ్విషయాలను కొలవడం వంటి క్షేత్రంలో వివిధ పనులను ఆటోమేట్ చేయడానికి కొత్త మార్గాలను కనుగొనాలి.
ఖగోళ శాస్త్రవేత్తలు వేగవంతం చేయడానికి ఆసక్తిగా ఉన్న ఒక ప్రత్యేక పని గెలాక్సీల వర్గీకరణ. ఈ కథనంలో, గెలాక్సీలను వర్గీకరించడం ఎందుకు చాలా ముఖ్యమైనది మరియు డేటా పరిమాణం పెరిగేకొద్దీ పరిశోధకులు అధునాతన మెషీన్ లెర్నింగ్ టెక్నిక్లపై ఆధారపడటం ఎలా ప్రారంభించారో మేము పరిశీలిస్తాము.
మనం గెలాక్సీలను ఎందుకు వర్గీకరించాలి?
గెలాక్సీల వర్గీకరణ, క్షేత్రంలో గెలాక్సీ పదనిర్మాణం అని పిలుస్తారు, ఇది 18వ శతాబ్దంలో ఉద్భవించింది. ఆ సమయంలో, సర్ విలియం హెర్షెల్ వివిధ 'నెబ్యులా'లు వివిధ రూపాల్లో వచ్చినట్లు గమనించారు. అతని కుమారుడు జాన్ హెర్షెల్ గెలాక్సీ నెబ్యులే మరియు నాన్-గెలాక్టిక్ నెబ్యులాల మధ్య తేడాను గుర్తించడం ద్వారా ఈ వర్గీకరణను మెరుగుపరిచాడు. ఈ రెండు వర్గీకరణలలో చివరివి మనకు తెలిసినవి మరియు వాటిని గెలాక్సీలుగా సూచిస్తాయి.
18వ శతాబ్దం చివరి నాటికి, వివిధ ఖగోళ శాస్త్రవేత్తలు ఈ విశ్వ వస్తువులు "అదనపు గెలాక్సీ" అని మరియు అవి మన స్వంత పాలపుంత వెలుపల ఉన్నాయని ఊహించారు.
హబుల్ 1925లో గెలాక్సీల యొక్క కొత్త వర్గీకరణను హబుల్ సీక్వెన్స్తో పరిచయం చేసింది, దీనిని అనధికారికంగా హబుల్ ట్యూనింగ్-ఫోర్క్ రేఖాచిత్రం అని పిలుస్తారు.
హబుల్ యొక్క క్రమం గెలాక్సీలను సాధారణ మరియు క్రమరహిత గెలాక్సీలుగా విభజించింది. సాధారణ గెలాక్సీలను మూడు విస్తృత తరగతులుగా విభజించారు: ఎలిప్టికల్స్, స్పైరల్స్ మరియు లెంటిక్యులర్.
గెలాక్సీల అధ్యయనం విశ్వం ఎలా పనిచేస్తుందనే అనేక కీలక రహస్యాలపై మనకు అంతర్దృష్టిని అందిస్తుంది. నక్షత్రాల నిర్మాణ ప్రక్రియ గురించి సిద్ధాంతీకరించడానికి పరిశోధకులు వివిధ రకాల గెలాక్సీలను ఉపయోగించారు. అనుకరణలను ఉపయోగించి, శాస్త్రవేత్తలు ఈ రోజు మనం గమనించే ఆకారాలలో గెలాక్సీలు ఎలా ఏర్పడతాయో నమూనా చేయడానికి కూడా ప్రయత్నించారు.
గెలాక్సీల స్వయంచాలక పదనిర్మాణ వర్గీకరణ
గెలాక్సీలను వర్గీకరించడానికి మెషిన్ లెర్నింగ్ని ఉపయోగించడంలో పరిశోధన మంచి ఫలితాలను చూపించింది. 2020లో, జపాన్ నేషనల్ ఆస్ట్రోనామికల్ అబ్జర్వేటరీకి చెందిన పరిశోధకులు a లోతైన అభ్యాస సాంకేతికత గెలాక్సీలను ఖచ్చితంగా వర్గీకరించడానికి.
పరిశోధకులు సుబారు/హైపర్ సుప్రైమ్-కామ్ (HSC) సర్వే నుండి పొందిన చిత్రాల యొక్క పెద్ద డేటాసెట్ను ఉపయోగించారు. వారి సాంకేతికతను ఉపయోగించి, వారు గెలాక్సీలను S-వైజ్ స్పైరల్స్, Z-వారీ స్పైరల్స్ మరియు నాన్-స్పైరల్స్గా వర్గీకరించగలరు.
వారి పరిశోధన టెలిస్కోప్ల నుండి పెద్ద డేటాను కలపడం వల్ల కలిగే ప్రయోజనాలను ప్రదర్శించింది లోతైన అభ్యాసం పద్ధతులు. న్యూరల్ నెట్ల కారణంగా, ఖగోళ శాస్త్రవేత్తలు ఇప్పుడు బార్లు, విలీనాలు మరియు గట్టిగా లెన్స్ చేయబడిన వస్తువులు వంటి ఇతర రకాల పదనిర్మాణ శాస్త్రాన్ని వర్గీకరించడానికి ప్రయత్నించవచ్చు. ఉదాహరణకి, సంబంధిత పరిశోధన MK కవానాగ్ మరియు K. బెక్కి నుండి గెలాక్సీలను విలీనం చేయడంలో బార్ నిర్మాణాలను పరిశోధించడానికి CNNలను ఉపయోగించారు.
అది ఎలా పని చేస్తుంది
NAOJ నుండి శాస్త్రవేత్తలు కన్వల్యూషనల్పై ఆధారపడ్డారు నరాల నెట్వర్క్ లేదా చిత్రాలను వర్గీకరించడానికి CNNలు. 2015 నుండి, కొన్ని వస్తువులను వర్గీకరించడానికి CNNలు చాలా ఖచ్చితమైన సాంకేతికతగా మారాయి. CNNల కోసం వాస్తవ-ప్రపంచ అనువర్తనాల్లో చిత్రాలలో ముఖ గుర్తింపు, స్వీయ-డ్రైవింగ్ కార్లు, చేతితో వ్రాసిన అక్షర గుర్తింపు మరియు వైద్యం ఉన్నాయి చిత్ర విశ్లేషణ.
అయితే CNN ఎలా పని చేస్తుంది?
CNN అనేది క్లాసిఫైయర్ అని పిలువబడే మెషిన్ లెర్నింగ్ టెక్నిక్ల తరగతికి చెందినది. వర్గీకరణదారులు నిర్దిష్ట ఇన్పుట్ తీసుకొని డేటా పాయింట్ను అవుట్పుట్ చేయవచ్చు. ఉదాహరణకు, వీధి సంకేత వర్గీకరణదారు చిత్రం వీధి గుర్తు కాదా లేదా అనేదానిని చిత్రాన్ని మరియు అవుట్పుట్ని తీసుకోగలుగుతుంది.
ఒక CNN ఒక ఉదాహరణ నాడీ నెట్వర్క్. ఈ న్యూరల్ నెట్వర్క్లు వీటిని కలిగి ఉంటాయి న్యూరాన్లు ఏర్పాటు చేయబడింది పొరలు. శిక్షణ దశలో, అవసరమైన వర్గీకరణ సమస్యను పరిష్కరించడంలో సహాయపడే నిర్దిష్ట బరువులు మరియు పక్షపాతాలను స్వీకరించడానికి ఈ న్యూరాన్లు ట్యూన్ చేయబడతాయి.
ఒక న్యూరల్ నెట్వర్క్ ఇమేజ్ను స్వీకరించినప్పుడు, అది మొత్తంగా ప్రతిదాని కంటే చిత్రం యొక్క చిన్న ప్రాంతాలను తీసుకుంటుంది, ప్రతి వ్యక్తి న్యూరాన్ ప్రధాన చిత్రం యొక్క వివిధ విభాగాలలో తీసుకున్నప్పుడు ఇతర న్యూరాన్లతో సంకర్షణ చెందుతుంది.
కన్వల్యూషనల్ లేయర్ల ఉనికి CNNని ఇతర న్యూరల్ నెట్వర్క్ల నుండి భిన్నంగా చేస్తుంది. ఇన్పుట్ ఇమేజ్ నుండి లక్షణాలను గుర్తించే లక్ష్యంతో ఈ లేయర్లు పిక్సెల్ల అతివ్యాప్తి బ్లాక్లను స్కాన్ చేస్తాయి. మేము ఒకదానికొకటి దగ్గరగా ఉన్న న్యూరాన్లను కనెక్ట్ చేయడం వలన, ఇన్పుట్ డేటా ప్రతి లేయర్ గుండా వెళుతున్నప్పుడు నెట్వర్క్ చిత్రాన్ని అర్థం చేసుకోవడానికి సులభమైన సమయాన్ని కలిగి ఉంటుంది.
Galaxy Morphologyలో ఉపయోగం
గెలాక్సీలను వర్గీకరించడంలో ఉపయోగించినప్పుడు, CNNలు గెలాక్సీ చిత్రాన్ని చిన్న "పాచెస్"గా విడదీస్తాయి. కొంచెం గణితాన్ని ఉపయోగించి, మొదటి దాచిన పొర పాచ్లో పంక్తి లేదా వక్రరేఖ ఉందా అని పరిష్కరించడానికి ప్రయత్నిస్తుంది. పాచ్లో చేయి ఉండటం వంటి స్పైరల్ గెలాక్సీ యొక్క లక్షణాన్ని కలిగి ఉందా వంటి సంక్లిష్టమైన ప్రశ్నలను మరింత లేయర్లు పరిష్కరించడానికి ప్రయత్నిస్తాయి.
చిత్రం యొక్క ఒక విభాగం సరళ రేఖను కలిగి ఉందో లేదో నిర్ధారించడం సాపేక్షంగా సులభం అయితే, చిత్రం స్పైరల్ గెలాక్సీని చూపుతుందా లేదా అని అడగడం చాలా క్లిష్టంగా మారుతుంది, ఏ రకమైన స్పైరల్ గెలాక్సీని పక్కన పెట్టండి.
న్యూరల్ నెట్వర్క్లతో, వర్గీకరణ యాదృచ్ఛిక నియమాలు మరియు ప్రమాణాలతో ప్రారంభమవుతుంది. ఈ నియమాలు నెమ్మదిగా మరింత ఖచ్చితమైనవి మరియు మేము పరిష్కరించడానికి ప్రయత్నిస్తున్న సమస్యకు సంబంధించినవిగా మారతాయి. శిక్షణా దశ ముగిసే సమయానికి, నాడీ నెట్వర్క్ ఇప్పుడు చిత్రంలో ఏ లక్షణాలను చూడాలనే దాని గురించి మంచి ఆలోచన కలిగి ఉండాలి.
సిటిజన్ సైన్స్ ఉపయోగించి AIని విస్తరించడం
సిటిజన్ సైన్స్ అనేది ఔత్సాహిక శాస్త్రవేత్తలు లేదా ప్రజా సభ్యులచే నిర్వహించబడే శాస్త్రీయ పరిశోధనను సూచిస్తుంది.
ఖగోళ శాస్త్రాన్ని అధ్యయనం చేసే శాస్త్రవేత్తలు మరింత ముఖ్యమైన శాస్త్రీయ ఆవిష్కరణలు చేయడంలో సహాయపడటానికి పౌర శాస్త్రవేత్తలతో తరచుగా సహకరిస్తారు. NASA నిర్వహిస్తుంది a జాబితా సెల్ఫోన్ లేదా ల్యాప్టాప్ ఉన్న ఎవరైనా సహకరించగల డజన్ల కొద్దీ సిటిజన్ సైన్స్ ప్రాజెక్ట్లు.
జపాన్ యొక్క నేషనల్ ఆస్ట్రోనామికల్ అబ్జర్వేటరీ అనే సిటిజన్ సైన్స్ ప్రాజెక్ట్ను కూడా ఏర్పాటు చేసింది గెలాక్సీ క్రూజ్. ఈ చొరవ గెలాక్సీలను వర్గీకరించడానికి మరియు గెలాక్సీల మధ్య సంభావ్య ఢీకొనే సంకేతాల కోసం వెతకడానికి వాలంటీర్లకు శిక్షణ ఇస్తుంది. అనే మరో సిటిజన్ ప్రాజెక్ట్ గెలాక్సీ జూ ప్రారంభించిన మొదటి సంవత్సరంలోనే ఇప్పటికే 50 మిలియన్ వర్గీకరణలను పొందింది.
సిటిజన్ సైన్స్ ప్రాజెక్ట్ల నుండి డేటాను ఉపయోగించి, మేము చేయవచ్చు న్యూరల్ నెట్వర్క్లకు శిక్షణ ఇవ్వండి గెలాక్సీలను మరింత వివరణాత్మక తరగతులుగా వర్గీకరించడానికి. ఆసక్తికరమైన లక్షణాలతో గెలాక్సీలను కనుగొనడానికి మేము ఈ పౌర విజ్ఞాన లేబుల్లను కూడా ఉపయోగించవచ్చు. రింగ్లు మరియు లెన్స్ల వంటి ఫీచర్లను న్యూరల్ నెట్వర్క్ని ఉపయోగించి కనుగొనడం ఇప్పటికీ కష్టంగా ఉండవచ్చు.
ముగింపు
ఖగోళ శాస్త్ర రంగంలో న్యూరల్ నెట్వర్క్ పద్ధతులు బాగా ప్రాచుర్యం పొందుతున్నాయి. 2021లో NASA యొక్క జేమ్స్ వెబ్ స్పేస్ టెలిస్కోప్ యొక్క ప్రయోగం పరిశీలనాత్మక ఖగోళశాస్త్రం యొక్క కొత్త శకానికి హామీ ఇస్తుంది. టెలిస్కోప్ ఇప్పటికే టెరాబైట్ల డేటాను సేకరించింది, దాని ఐదు-సంవత్సరాల మిషన్ జీవితకాలంలో ఇంకా వేల సంఖ్యలో ఉండవచ్చు.
గెలాక్సీలను వర్గీకరించడం అనేది MLతో స్కేల్ చేయగల అనేక సంభావ్య పనులలో ఒకటి. స్పేస్ డేటా ప్రాసెసింగ్ దాని స్వంత బిగ్ డేటా సమస్యగా మారడంతో, పెద్ద చిత్రాన్ని అర్థం చేసుకోవడానికి పరిశోధకులు అధునాతన యంత్ర అభ్యాసాన్ని పూర్తిగా ఉపయోగించాలి.
సమాధానం ఇవ్వూ