Ang parehong teknolohiya na nagtutulak ng pagkilala sa mukha at mga self-driving na kotse ay maaaring maging isang pangunahing instrumento sa pag-unlock sa mga nakatagong lihim ng uniberso.
Ang mga kamakailang pag-unlad sa observational astronomy ay humantong sa isang pagsabog ng data.
Ang mga makapangyarihang teleskopyo ay kumukuha ng mga terabyte ng data araw-araw. Para maproseso ang ganoong kalaking data, kailangan ng mga siyentipiko na humanap ng mga bagong paraan para i-automate ang iba't ibang gawain sa field, gaya ng pagsukat ng radiation at iba pang celestial phenomena.
Ang isang partikular na gawain na sabik na pabilisin ng mga astronomo ay ang pag-uuri ng mga kalawakan. Sa artikulong ito, tatalakayin natin kung bakit napakahalaga ng pag-uuri ng mga kalawakan at kung paano nagsimulang umasa ang mga mananaliksik sa mga advanced na diskarte sa pag-aaral ng machine upang lumaki habang tumataas ang dami ng data.
Bakit kailangan nating pag-uri-uriin ang mga kalawakan?
Ang klasipikasyon ng mga kalawakan, na kilala sa larangan bilang morpolohiya ng kalawakan, ay nagmula noong ika-18 siglo. Noong panahong iyon, napansin ni Sir William Herschel na ang iba't ibang 'nebulae' ay dumating sa iba't ibang anyo. Ang kanyang anak na si John Herschel ay napabuti ang pag-uuri na ito sa pamamagitan ng pagkilala sa pagitan ng galactic nebulae at non-galactic nebulae. Ang huli sa dalawang klasipikasyong ito ay ang alam natin at tinutukoy bilang mga kalawakan.
Sa pagtatapos ng ika-18 siglo, ang iba't ibang mga astronomo ay nag-isip na ang mga cosmic na bagay na ito ay "extra-galactic", at na ang mga ito ay nasa labas ng ating sariling Milky Way.
Ipinakilala ng Hubble ang isang bagong klasipikasyon ng mga kalawakan noong 1925 sa pagpapakilala ng pagkakasunud-sunod ng Hubble, na kilala sa impormal bilang Hubble tuning-fork diagram.
Hinati ng pagkakasunud-sunod ng Hubble ang mga kalawakan sa regular at hindi regular na mga kalawakan. Ang mga regular na kalawakan ay nahahati pa sa tatlong malawak na klase: Ellipticals, spirals, at lenticular.
Ang pag-aaral ng mga kalawakan ay nagbibigay sa atin ng insight sa ilang mahahalagang misteryo kung paano gumagana ang uniberso. Ginamit ng mga mananaliksik ang iba't ibang anyo ng mga kalawakan upang mag-teorya tungkol sa proseso ng pagbuo ng bituin. Gamit ang mga simulation, sinubukan din ng mga siyentipiko na gawing modelo kung paano nabuo ang mga kalawakan sa mga hugis na nakikita natin ngayon.
Automated Morphological Classification ng Galaxies
Ang pananaliksik sa paggamit ng machine learning upang pag-uri-uriin ang mga kalawakan ay nagpakita ng mga magagandang resulta. Noong 2020, ang mga mananaliksik mula sa National Astronomical Observatory of Japan ay gumamit ng a malalim na diskarte sa pag-aaral upang tumpak na pag-uri-uriin ang mga kalawakan.
Gumamit ang mga mananaliksik ng malaking dataset ng mga larawang nakuha mula sa Subaru/Hyper Suprime-Cam (HSC) Survey. Gamit ang kanilang pamamaraan, maaari nilang uriin ang mga galaxy sa mga S-wise spiral, Z-wise spiral, at non-spiral.
Ipinakita ng kanilang pananaliksik ang mga pakinabang ng pagsasama-sama ng malaking data mula sa mga teleskopyo sa malalim na pag-aaral mga pamamaraan. Dahil sa mga neural net, maaari na ngayong subukan ng mga astronomo ang pag-uuri ng iba pang mga uri ng morpolohiya gaya ng mga bar, merge, at mga bagay na may malakas na lens. Halimbawa, kaugnay na pananaliksik mula sa MK Cavanagh at K. Bekki ay gumamit ng mga CNN upang siyasatin ang mga pormasyon ng bar sa pagsasama-sama ng mga kalawakan.
Paano Ito Works
Ang mga siyentipiko mula sa NAOJ ay umasa sa convolutional neural network o mga CNN upang pag-uri-uriin ang mga larawan. Mula noong 2015, ang mga CNN ay naging isang napakatumpak na pamamaraan upang pag-uri-uriin ang ilang mga bagay. Kasama sa mga real-world na application para sa mga CNN ang pag-detect ng mukha sa mga larawan, mga self-driving na kotse, pagkilala ng character na sulat-kamay, at medikal. pagsusuri ng imahe.
Ngunit paano gumagana ang isang CNN?
Ang CNN ay kabilang sa isang klase ng mga diskarte sa machine learning na kilala bilang classifier. Ang mga classifier ay maaaring kumuha ng ilang partikular na input at output ng isang data point. Halimbawa, ang isang street sign classifier ay maaaring kumuha ng isang imahe at mag-output kung ang larawan ay isang street sign o hindi.
Ang CNN ay isang halimbawa ng a neural network. Ang mga neural network na ito ay binubuo ng neurons organisado sa layer. Sa yugto ng pagsasanay, ang mga neuron na ito ay nakatutok upang iakma ang mga partikular na timbang at bias na makakatulong sa paglutas ng problema sa pag-uuri na kinakailangan.
Kapag ang isang neural network ay nakatanggap ng isang imahe, ito ay tumatagal sa maliliit na bahagi ng imahe kaysa sa lahat ng bagay sa kabuuan, Ang bawat indibidwal na neuron ay nakikipag-ugnayan sa iba pang mga neuron habang tumatagal ito sa iba't ibang mga seksyon ng pangunahing imahe.
Ang pagkakaroon ng mga convolutional layer ay ginagawang naiiba ang CNN sa iba pang mga neural network. Ang mga layer na ito ay nag-scan ng mga magkakapatong na bloke ng mga pixel na may layuning tukuyin ang mga feature mula sa input na imahe. Dahil ikinonekta namin ang mga neuron na magkakalapit, ang network ay magkakaroon ng mas madaling pag-unawa sa larawan habang ang input data ay dumadaan sa bawat layer.
Paggamit sa Galaxy Morphology
Kapag ginamit sa pag-uuri ng mga kalawakan, hinahati ng mga CNN ang isang imahe ng isang kalawakan sa mas maliliit na "mga patch". Gamit ang kaunting matematika, susubukan ng unang nakatagong layer na lutasin kung ang patch ay naglalaman ng isang linya o curve. Susubukan ng mga karagdagang layer na lutasin ang mga mas kumplikadong tanong tulad ng kung ang patch ay naglalaman ng isang tampok ng spiral galaxy, tulad ng pagkakaroon ng isang braso.
Bagama't medyo madaling matukoy kung ang isang seksyon ng isang imahe ay naglalaman ng isang tuwid na linya, nagiging mas kumplikado ang pagtatanong kung ang larawan ay nagpapakita ng isang spiral galaxy, pabayaan lamang kung anong uri ng spiral galaxy.
Sa mga neural network, nagsisimula ang classifier sa mga random na panuntunan at pamantayan. Ang mga panuntunang ito ay unti-unting nagiging mas tumpak at nauugnay sa problemang sinusubukan naming lutasin. Sa pagtatapos ng yugto ng pagsasanay, dapat mayroon na ngayong magandang ideya ang neural network kung anong mga feature ang hahanapin sa isang larawan.
Pagpapalawak ng AI gamit ang Citizen Science
Ang agham ng mamamayan ay tumutukoy sa siyentipikong pananaliksik na isinasagawa ng mga baguhang siyentipiko o pampublikong miyembro.
Ang mga siyentipiko na nag-aaral ng astronomy ay madalas na nakikipagtulungan sa mga mamamayang siyentipiko upang tumulong sa paggawa ng mas mahahalagang pagtuklas sa siyensya. Pinapanatili ng NASA ang isang listahan ng dose-dosenang proyekto ng agham ng mamamayan kung saan maaaring mag-ambag ang sinumang may cellphone o laptop.
Ang National Astronomical Observatory ng Japan ay naglagay din ng isang proyekto sa agham ng mamamayan na kilala bilang Galaxy Cruise. Ang inisyatiba ay nagsasanay sa mga boluntaryo upang pag-uri-uriin ang mga kalawakan at maghanap ng mga palatandaan ng mga potensyal na banggaan sa pagitan ng mga kalawakan. Isa pang proyekto ng mamamayan ang tinawag Galaxy Zoo ay nakatanggap na ng mahigit 50 milyong klasipikasyon sa unang taon pa lamang ng paglulunsad.
Gamit ang data mula sa mga proyekto ng agham ng mamamayan, magagawa natin sanayin ang mga neural network upang pag-uri-uriin ang mga kalawakan sa mas detalyadong mga klase. Maaari rin naming gamitin ang mga label ng agham ng mamamayan na ito upang maghanap ng mga kalawakan na may mga kagiliw-giliw na tampok. Ang mga tampok tulad ng mga singsing at lente ay maaaring mahirap pa ring mahanap gamit ang isang neural network.
Konklusyon
Ang mga pamamaraan ng neural network ay lalong nagiging popular sa larangan ng astronomiya. Ang paglulunsad ng James Webb Space Telescope ng NASA noong 2021 ay nangangako ng bagong panahon ng observational astronomy. Ang teleskopyo ay nakakolekta na ng mga terabyte ng data, na posibleng libu-libo pa sa daan sa limang taong buhay ng misyon nito.
Ang pag-uuri ng mga kalawakan ay isa lamang sa maraming potensyal na gawain na maaaring palakihin gamit ang ML. Dahil ang pagpoproseso ng data sa espasyo ay nagiging sarili nitong problema sa Big Data, dapat gumamit ang mga mananaliksik ng advanced machine learning nang ganap upang maunawaan ang malaking larawan.
Mag-iwan ng Sagot