Yüz tanıma ve sürücüsüz arabaları çalıştıran teknolojinin aynısı, yakında evrenin gizli sırlarını ortaya çıkarmada önemli bir araç olabilir.
Gözlemsel astronomideki son gelişmeler bir veri patlamasına yol açtı.
Güçlü teleskoplar günlük terabaytlarca veri toplar. Bu kadar çok veriyi işlemek için bilim adamlarının, radyasyon ve diğer gök olaylarını ölçmek gibi sahadaki çeşitli görevleri otomatikleştirmenin yeni yollarını bulması gerekiyor.
Gökbilimcilerin hızlandırmak istedikleri belirli bir görev, galaksilerin sınıflandırılmasıdır. Bu makalede, galaksileri sınıflandırmanın neden bu kadar önemli olduğunu ve araştırmacıların veri hacmi arttıkça ölçeği büyütmek için gelişmiş makine öğrenimi tekniklerine nasıl güvenmeye başladıklarını ele alacağız.
Galaksileri neden sınıflandırmamız gerekiyor?
Alanda galaksi morfolojisi olarak bilinen galaksilerin sınıflandırılması, 18. yüzyılda ortaya çıkmıştır. Bu süre zarfında, Sir William Herschel, çeşitli "nebulaların" çeşitli biçimlerde geldiğini gözlemledi. Oğlu John Herschel, galaktik bulutsular ve galaktik olmayan bulutsular arasında ayrım yaparak bu sınıflandırmayı geliştirdi. Bu iki sınıflandırmanın ikincisi, bildiğimiz ve galaksiler olarak adlandırdığımız şeydir.
18. yüzyılın sonlarına doğru, çeşitli gökbilimciler bu kozmik nesnelerin "galaktik dışı" olduklarını ve Samanyolu'muzun dışında olduklarını tahmin ettiler.
Hubble, 1925'te gayri resmi olarak Hubble diyapazon diyagramı olarak bilinen Hubble dizisinin tanıtılmasıyla yeni bir gökada sınıflandırması başlattı.
Hubble'ın dizisi, galaksileri düzenli ve düzensiz galaksilere ayırdı. Düzenli galaksiler ayrıca üç geniş sınıfa ayrıldı: Eliptikler, spiraller ve merceksi.
Galaksilerin incelenmesi, bize evrenin nasıl çalıştığına dair birkaç temel gizem hakkında fikir verir. Araştırmacılar, yıldız oluşum süreci hakkında teori oluşturmak için farklı gökada biçimlerini kullandılar. Bilim adamları, simülasyonları kullanarak, galaksilerin kendilerinin bugün gözlemlediğimiz şekillere nasıl dönüştüğünü modellemeye de çalıştılar.
Galaksilerin Otomatik Morfolojik Sınıflandırması
Galaksileri sınıflandırmak için makine öğrenimini kullanmaya yönelik araştırmalar umut verici sonuçlar verdi. 2020'de Japonya Ulusal Astronomi Gözlemevi'nden araştırmacılar bir derin öğrenme tekniği galaksileri doğru bir şekilde sınıflandırmak için.
Araştırmacılar, Subaru/Hyper Suprime-Cam (HSC) Anketinden elde edilen geniş bir görüntü veri seti kullandılar. Tekniklerini kullanarak galaksileri S-bilge spiraller, Z-bilge spiraller ve spiral olmayanlar olarak sınıflandırabildiler.
Araştırmaları, teleskoplardan elde edilen büyük verileri birleştirmenin avantajlarını gösterdi. derin öğrenme teknikler. Sinir ağları nedeniyle, gökbilimciler artık çubuklar, birleşmeler ve güçlü mercekli nesneler gibi diğer morfoloji türlerini sınıflandırmayı deneyebilirler. Örneğin, ilgili araştırma MK Cavanagh ve K. Bekki'den araştırmacılar, birleşen galaksilerdeki çubuk oluşumlarını araştırmak için CNN'leri kullandılar.
Nasıl Çalışır?
NAOJ'den bilim adamları, konvolüsyona güvendiler nöral ağlar veya görüntüleri sınıflandırmak için CNN'ler. 2015'ten beri, CNN'ler belirli nesneleri sınıflandırmak için son derece doğru bir teknik haline geldi. CNN'ler için gerçek dünyadaki uygulamalar, görüntülerde yüz algılama, kendi kendine giden arabalar, el yazısı karakter tanıma ve tıbbi uygulamaları içerir. görüntü analizi.
Ama bir CNN nasıl çalışır?
CNN, sınıflandırıcı olarak bilinen bir makine öğrenme teknikleri sınıfına aittir. Sınıflandırıcılar belirli bir girdi alabilir ve bir veri noktası çıkarabilir. Örneğin, bir sokak tabelası sınıflandırıcısı bir görüntü alıp, görüntünün bir sokak tabelası olup olmadığını çıkarabilecektir.
Bir CNN bir örnektir. sinir ağı. Bu sinir ağları şunlardan oluşur: nöronlar organize katmanları. Eğitim aşamasında, bu nöronlar, gerekli sınıflandırma problemini çözmeye yardımcı olacak belirli ağırlıkları ve önyargıları uyarlamak için ayarlanmıştır.
Bir sinir ağı bir görüntü aldığında, her şeyi bir bütün olarak değil, görüntünün küçük alanlarını alır. Her bir nöron, ana görüntünün çeşitli bölümlerinde aldığı gibi diğer nöronlarla etkileşime girer.
Evrişimsel katmanların varlığı, CNN'yi diğer sinir ağlarından farklı kılmaktadır. Bu katmanlar, giriş görüntüsünden özellikleri tanımlamak amacıyla örtüşen piksel bloklarını tarar. Birbirine yakın nöronları bağladığımız için, girdi verileri her katmandan geçerken ağın resmi anlaması daha kolay olacaktır.
Galaksi Morfolojisinde Kullanım
Galaksileri sınıflandırmada kullanıldığında, CNN'ler bir galaksinin görüntüsünü daha küçük "yamalara" böler. Biraz matematik kullanarak, ilk gizli katman yamanın bir çizgi mi yoksa eğri mi içerdiğini çözmeye çalışacaktır. Daha sonraki katmanlar, yamanın bir kolun varlığı gibi bir sarmal gökada özelliği içerip içermediği gibi giderek daha karmaşık soruları çözmeye çalışacak.
Bir görüntünün bir bölümünün düz bir çizgi içerip içermediğini belirlemek nispeten kolay olsa da, ne tür bir sarmal gökada bir yana, görüntünün bir sarmal gökadayı gösterip göstermediğini sormak giderek daha karmaşık hale geliyor.
Sinir ağları ile sınıflandırıcı, rastgele kurallar ve kriterlerle başlar. Bu kurallar yavaş yavaş daha kesin ve çözmeye çalıştığımız problemle alakalı hale geliyor. Eğitim aşamasının sonunda, sinir ağı artık bir görüntüde hangi özelliklerin aranacağı konusunda iyi bir fikre sahip olmalıdır.
Citizen Science'ı kullanarak yapay zekayı genişletme
Vatandaş bilimi, amatör bilim adamları veya kamu üyeleri tarafından yürütülen bilimsel araştırmalara atıfta bulunur.
Astronomi okuyan bilim adamları, daha önemli bilimsel keşifler yapmaya yardımcı olmak için genellikle yurttaş bilim adamlarıyla işbirliği yapar. NASA tutar liste cep telefonu veya dizüstü bilgisayarı olan herkesin katkıda bulunabileceği düzinelerce vatandaş bilim projesi.
Japonya Ulusal Astronomik Gözlemevi de olarak bilinen bir vatandaş bilim projesi hazırladı. Galaksi Gezisi. Girişim, gönüllüleri galaksileri sınıflandırmak ve galaksiler arasındaki olası çarpışma belirtilerini aramak için eğitiyor. Bir başka vatandaş projesi olarak adlandırılan Galaxy Hayvanat Bahçesi lansmanın sadece ilk yılında 50 milyondan fazla sınıflandırma aldı.
Yurttaş bilimi projelerinden elde edilen verileri kullanarak şunları yapabiliriz: tren sinir ağları galaksileri daha ayrıntılı sınıflara ayırmak için. Bu vatandaş bilimi etiketlerini ilginç özelliklere sahip galaksileri bulmak için de kullanabiliriz. Halkalar ve lensler gibi özelliklerin bir sinir ağı kullanılarak bulunması hala zor olabilir.
Sonuç
Sinir ağı teknikleri astronomi alanında giderek daha popüler hale geliyor. NASA'nın James Webb Uzay Teleskobu'nun 2021'de piyasaya sürülmesi, yeni bir gözlemsel astronomi çağı vaat ediyor. Teleskop şimdiden terabaytlarca veri topladı ve muhtemelen beş yıllık görev ömrü boyunca yolda binlercesi daha var.
Galaksileri sınıflandırmak, ML ile ölçeklendirilebilecek birçok potansiyel görevden sadece biridir. Uzay veri işlemenin kendi Büyük Veri sorunu haline gelmesiyle birlikte, araştırmacılar büyük resmi anlamak için gelişmiş makine öğrenimini tam olarak kullanmalıdır.
Yorum bırak