Та сама технологія, яка керує розпізнаванням обличчя та безпілотними автомобілями, незабаром може стати ключовим інструментом у розкритті прихованих таємниць Всесвіту.
Останні розробки в спостережній астрономії призвели до вибуху даних.
Потужні телескопи щодня збирають терабайти даних. Щоб обробити стільки даних, вченим потрібно знайти нові способи автоматизації різних завдань у цій галузі, таких як вимірювання радіації та інших небесних явищ.
Одним із конкретних завдань, яке астрономи прагнуть прискорити, є класифікація галактик. У цій статті ми розглянемо, чому класифікація галактик є такою важливою та як дослідники почали покладатися на передові методи машинного навчання для збільшення масштабу зі збільшенням обсягу даних.
Чому ми повинні класифікувати галактики?
Класифікація галактик, відома в галузі як морфологія галактик, виникла у 18 столітті. Протягом цього часу сер Вільям Гершель спостерігав, що різноманітні «туманності» мають різні форми. Його син Джон Гершель удосконалив цю класифікацію, розрізняючи галактичні та негалактичні туманності. Останню з цих двох класифікацій ми знаємо та називаємо галактиками.
Ближче до кінця XVIII століття різні астрономи припустили, що ці космічні об’єкти є «позагалактичними» і що вони лежать за межами нашого Чумацького Шляху.
Хаббл представив нову класифікацію галактик у 1925 році, представивши послідовність Хаббла, неофіційно відому як діаграма камертона Хаббла.
Послідовність Хаббла розділила галактики на правильні та неправильні. Правильні галактики були далі поділені на три великі класи: еліптичні, спіральні та лінзоподібні.
Вивчення галактик дає нам зрозуміти кілька ключових таємниць того, як працює Всесвіт. Дослідники використовували різні форми галактик, щоб теоретизувати процес утворення зірок. Використовуючи моделювання, вчені також намагалися змоделювати, як самі галактики формуються в форми, які ми спостерігаємо сьогодні.
Автоматизована морфологічна класифікація галактик
Дослідження використання машинного навчання для класифікації галактик показали багатообіцяючі результати. У 2020 році дослідники з Національної астрономічної обсерваторії Японії використали a техніка глибокого навчання щоб точно класифікувати галактики.
Дослідники використали великий набір даних зображень, отриманих під час опитування Subaru/Hyper Suprime-Cam (HSC). Використовуючи свою техніку, вони могли класифікувати галактики на спіральні по S, спіральні по Z і неспіральні.
Їхні дослідження продемонстрували переваги поєднання великих даних з телескопів із глибоке навчання техніки. Завдяки нейронним мережам астрономи тепер можуть спробувати класифікувати інші типи морфології, такі як стовпчики, злиття та об’єкти з сильною лінзою. Наприклад, пов'язані дослідження від MK Cavanagh і K. Bekki використовували CNN для дослідження утворень барів у галактиках, що зливаються.
Як це працює
Вчені з NAOJ спиралися на згортку нейронні мережі або CNN для класифікації зображень. З 2015 року CNN стали надзвичайно точним методом класифікації певних об’єктів. Реальні програми для CNN включають розпізнавання обличчя на зображеннях, безпілотні автомобілі, розпізнавання рукописних символів і медичні аналіз образів.
Але як працює CNN?
CNN належить до класу методів машинного навчання, відомих як класифікатор. Класифікатори можуть приймати певні вхідні дані та виводити точку даних. Наприклад, класифікатор вуличних знаків зможе прийняти зображення та вивести, чи є це зображення вуличним знаком чи ні.
CNN є прикладом a нейронної мережі. Ці нейронні мережі складаються з нейрони організований у шарів. Під час фази навчання ці нейрони налаштовуються на адаптацію певних ваг і упереджень, які допоможуть вирішити потрібну проблему класифікації.
Коли нейронна мережа отримує зображення, вона займає невеликі ділянки зображення, а не все в цілому. Кожен окремий нейрон взаємодіє з іншими нейронами, коли він приймає різні частини основного зображення.
Наявність згорткових шарів відрізняє CNN від інших нейронних мереж. Ці шари сканують блоки пікселів, що накладаються один на одного, з метою визначення особливостей у вхідному зображенні. Оскільки ми з’єднуємо нейрони, розташовані близько один до одного, мережі буде легше зрозуміти картину, коли вхідні дані проходять через кожен шар.
Використання в морфології галактики
Коли вони використовуються для класифікації галактик, CNN розбивають зображення галактики на менші «патчі». Використовуючи трохи математики, перший прихований шар спробує вирішити, чи містить патч лінію чи криву. Подальші рівні намагатимуться вирішити дедалі складніші питання, наприклад, чи містить пляма ознаку спіральної галактики, наприклад наявність рукава.
Хоча відносно легко визначити, чи містить частина зображення пряму лінію, стає дедалі складніше запитати, чи зображено зображення спіральної галактики, не кажучи вже про тип спіральної галактики.
У нейронних мережах класифікатор починається з випадкових правил і критеріїв. Ці правила поступово стають дедалі точнішими та актуальнішими для проблеми, яку ми намагаємося вирішити. Наприкінці фази навчання нейронна мережа повинна мати чітке уявлення про те, які особливості потрібно шукати в зображенні.
Розширення ШІ за допомогою Citizen Science
Громадянська наука стосується наукових досліджень, які проводяться вченими-аматорами або громадськими діячами.
Вчені, які вивчають астрономію, часто співпрацюють із вченими-громадянами, щоб допомогти зробити важливіші наукові відкриття. NASA стверджує, що a список десятків громадських наукових проектів, до яких може внести свій внесок кожен, хто має мобільний телефон чи ноутбук.
Національна астрономічна обсерваторія Японії також запустила проект громадянської науки, відомий як Круїз по галактиці. Ініціатива навчає волонтерів класифікувати галактики та шукати ознаки потенційних зіткнень між галактиками. Інший громадянський проект дзвонить Зоопарк Галактики вже отримав понад 50 мільйонів класифікацій лише за перший рік запуску.
Використовуючи дані громадських наукових проектів, ми можемо навчати нейронні мережі далі класифікувати галактики на більш детальні класи. Ми також можемо використовувати ці мітки громадянської науки, щоб знаходити галактики з цікавими особливостями. Такі функції, як кільця та лінзи, все ще може бути важко знайти за допомогою нейронної мережі.
Висновок
Методи нейронної мережі стають все більш популярними в галузі астрономії. Запуск космічного телескопа NASA James Webb у 2021 році обіцяє нову еру спостережної астрономії. Телескоп уже зібрав терабайти даних, і, можливо, ще тисячі будуть в дорозі протягом п’яти років місії.
Класифікація галактик — лише одне з багатьох потенційних завдань, які можна розширити за допомогою ML. Оскільки обробка космічних даних стає окремою проблемою Big Data, дослідники повинні повністю використовувати передове машинне навчання, щоб зрозуміти загальну картину.
залишити коментар