די זעלבע טעכנאָלאָגיע וואָס דרייווז פאַסיאַל דערקענונג און זיך-דרייווינג קאַרס קען באַלד זיין אַ שליסל קיילע אין אַנלאַקינג די פאַרבאָרגן סיקריץ פון די אַלוועלט.
לעצטע דיוועלאַפּמאַנץ אין אָבסערוואַטיאָנאַל אַסטראָנאָמיע האָבן געפֿירט צו אַ יקספּלאָוזשאַן פון דאַטן.
שטאַרק טעלאַסקאָופּס קלייַבן טעראַביטעס פון דאַטן טעגלעך. צו פראצעסירן אזויפיל דאטא, דארפן וויסנשאפטלער געפינען נייע וועגן צו אויטאמאטירן פארשידענע אויפגאבן אינעם פעלד, ווי מעסטן ראדיאציע און אנדערע הימלישע דערשיינונגען.
איין באַזונדער אַרבעט וואָס אַסטראָנאָמערס זענען לאָעט צו פאַרגיכערן איז די קלאַסאַפאַקיישאַן פון גאַלאַקסיעס. אין דעם אַרטיקל, מיר וועלן דיסקוטירן וואָס קלאַסאַפייינג גאַלאַקסיעס איז אַזוי וויכטיק און ווי ריסערטשערז האָבן סטאַרטעד צו פאַרלאָזנ זיך אַוואַנסירטע מאַשין לערנען טעקניקס צו פאַרגרעסערן די באַנד פון דאַטן.
פארוואס טאָן מיר דאַרפֿן צו קלאַסיפיצירן גאַלאַקסיעס?
די קלאַסאַפאַקיישאַן פון גאַלאַקסיעס, באקאנט אין דעם פעלד ווי גאַלאַקסי מאָרפאָלאָגי, ערידזשאַנייטאַד אין די 18 יאָרהונדערט. אי ן יענע ר צײ ט הא ט דע ר הער ש װילי ם הערש ל באמערקט , א ז פארשײדענ ע ״נעבולע ״ זײנע ן געקומע ן אי ן פארשידענ ע פארמען . זיין זון יוחנן הערשל האט פארבעסערט דעם קלאַסאַפאַקיישאַן דורך דיסטינגגווישינג צווישן גאַלאַקטיק נעבולאַז און ניט-גאַלאַקטיק נעבולאַעס. די לעצטע פון די צוויי קלאַסאַפאַקיישאַנז זענען וואָס מיר וויסן און אָפּשיקן צו ווי גאַלאַקסיעס.
צום סוף פונעם 18טן יארהונדערט האבן פארשידענע אסטראנאמען שפעקולירט אז די דאזיקע קאסמישע אביעקטן זענען "עקסטרע-גאלאקטישע", און אז זיי ליגן אינדרויסן פון אונזער אייגענעם מילכיוועג.
Hubble ינטראָודוסט אַ נייַע קלאַסאַפאַקיישאַן פון גאַלאַקסיעס אין 1925 מיט די הקדמה פון די Hubble סיקוואַנס, באקאנט ינפאָרמאַלי ווי די Hubble טונינג-גאָפּל דיאַגראַמע.
הובבלע ס סיקוואַנס צעטיילט גאַלאַקסיעס אין רעגולער און ירעגיאַלער גאַלאַקסיעס. די רעגולער גאַלאַקסיעס זענען ווייטער צעטיילט אין דריי ברייט קלאסן: עלליפטיקאַל, ספּיראַליש און לענטיקולאַר.
די לערנען פון גאַלאַקסיעס גיט אונדז ינסייט אין עטלעכע שליסל סודות פון ווי די אַלוועלט אַרבעט. רעסעאַרטשערס האָבן געניצט די פאַרשידענע פארמען פון גאַלאַקסיעס צו טעאָריזירן וועגן די שטערן פאָרמירונג פּראָצעס. ניצן סימיאַליישאַנז, סייאַנטיס האָבן אויך געפרוווט צו מאָדעל ווי גאַלאַקסיעס זיך פאָרעם אין די שאַפּעס וואָס מיר אָבסערווירן הייַנט.
אָטאַמייטיד מאָרפאַלאַדזשיקאַל קלאַסאַפאַקיישאַן פון גאַלאַקסיעס
פאָרשונג אין ניצן מאַשין לערנען צו קלאַסיפיצירן גאַלאַקסיעס האט געוויזן פּראַמאַסינג רעזולטאַטן. אין 2020, ריסערטשערז פון די נאַשאַנאַל אַסטראָנאָמיקאַל אָבסערוואַטאָרי פון יאַפּאַן געוויינט אַ טיף לערנען טעכניק צו קלאַסיפיצירן גאַלאַקסיעס אַקיעראַטלי.
די ריסערטשערז געוויינט אַ גרויס דאַטאַסעט פון בילדער באקומען פון די סובאַרו / היפּער סופּרימע-קאַם (HSC) יבערבליק. ניצן זייער טעכניק, זיי קען קלאַסיפיצירן גאַלאַקסיעס אין S-ווייז ספּייראַלז, Z-ווייז ספּייראַלז און ניט-ספּיראַלז.
זייער פאָרשונג דעמאַנסטרייטיד די אַדוואַנטידזשיז פון קאַמביינינג גרויס דאַטן פון טעלאַסקאָופּס מיט טיף לערנען טעקניקס. ווייַל פון נעוראַל נעצן, אַסטראָנאָמערס קענען איצט פּרובירן קלאַסאַפייינג אנדערע טייפּס פון מאָרפאָלאָגי אַזאַ ווי באַרס, מערדזשערז און שטאַרק לענסעס אַבדזשעקץ. למשל, שייַכות פאָרשונג פון MK Cavanagh און K. Bekki געוויינט CNNs צו פאָרשן באַר פאָרמיישאַנז אין צונויפגיסן גאַלאַקסיעס.
ווי עס וואָרקס
די סייאַנטיס פון די NAOJ רילייד אויף קאַנוואַלושאַנאַל נוראַל נעטוואָרקס אָדער CNNs צו קלאַסיפיצירן בילדער. זינט 2015, CNNs האָבן ווערן אַ גאָר פּינטלעך טעכניק צו קלאַסיפיצירן זיכער אַבדזשעקץ. פאַקטיש-וועלט אַפּלאַקיישאַנז פֿאַר CNNs אַרייַננעמען פּנים דיטעקשאַן אין בילדער, זיך-דרייווינג קאַרס, כאַנדריטאַן כאַראַקטער דערקענונג און מעדיציניש בילד אַנאַליסיס.
אָבער ווי אַזוי אַרבעט אַ CNN?
CNN געהערט צו אַ קלאַס פון מאַשין לערנען טעקניקס באקאנט ווי אַ קלאַסאַפייער. קלאַססיפיערס קענען נעמען זיכער אַרייַנשרייַב און רעזולטאַט אַ דאַטן פונט. פֿאַר בייַשפּיל, אַ גאַס צייכן קלאַססיפיער וועט קענען צו נעמען אין אַ בילד און רעזולטאַט צי די בילד איז אַ גאַס צייכן אָדער נישט.
א CNN איז א ביישפיל פון א נעוראַל נעץ. די נעוראַל נעטוואָרקס זענען קאַמפּאָוזד פון נעוראָנס אָרגאַניזירט אין לייַערס. בעשאַס די טריינינג פאַסע, די נוראַנז זענען טונד צו אַדאַפּט ספּעציפיש ווייץ און בייאַסיז וואָס וועט העלפֿן סאָלווע די פארלאנגט קלאַסאַפאַקיישאַן פּראָבלעם.
ווען אַ נעוראַל נעץ נעמט אַ בילד, עס נעמט אין קליין געביטן פון די בילד אלא ווי אַלץ ווי אַ גאַנץ, יעדער יחיד נעוראָן ינטעראַקט מיט אנדערע נוראַנז ווי עס נעמט אין פאַרשידן סעקשאַנז פון די הויפּט בילד.
די בייַזייַן פון קאַנוואַלושאַנאַל לייַערס מאכט CNN אַנדערש פון אנדערע נעוראַל נעטוואָרקס. די לייַערס יבערקוקן אָוווערלאַפּינג בלאַקס פון בילדצעלן מיט דער ציל צו ידענטיפיצירן פֿעיִקייטן פון די אַרייַנשרייַב בילד. זינט מיר פאַרבינדן נוראַנז וואָס זענען נאָענט צוזאַמען, די נעץ וועט האָבן אַ גרינגער צייט צו פֿאַרשטיין די בילד ווי די אַרייַנשרייַב דאַטן פּאַסיז דורך יעדער שיכטע.
באַניץ אין גאַלאַקסי מאָרפאָלאָגי
ווען געוויינט אין קלאַסאַפייינג גאַלאַקסיעס, CNNs ברעכן אַראָפּ אַ בילד פון אַ גאַלאַקסי אין קלענערער "פּאַטשאַז". ניצן אַ ביסל מאַט, דער ערשטער פאַרבאָרגן שיכטע וועט פּרובירן צו סאָלווע צי די לאַטע כּולל אַ שורה אָדער ויסבייג. ווייַטער לייַערס וועלן פּרובירן צו סאָלווע ינקריסינגלי קאָמפּליצירט פראגעס אַזאַ ווי צי די לאַטע כּולל אַ שטריך פון אַ ספּיראַליש גאַלאַקסי, אַזאַ ווי די בייַזייַן פון אַן אָרעם.
כאָטש עס איז לעפיערעך גרינג צו באַשטימען צי אַ אָפּטיילונג פון אַ בילד כּולל אַ גלייַך שורה, עס ווערט ינקריסינגלי קאָמפּליצירט צו פרעגן צי די בילד ווייזט אַ ספּיראַליש גאַלאַקסי, לאָזן אַליין וואָס טיפּ פון ספּיראַליש גאַלאַקסי.
מיט נעוראַל נעטוואָרקס, די קלאַססיפיער סטאַרץ מיט טראַפ כּללים און קרייטיריאַ. די כּללים ווערן סלאָולי מער און מער גענוי און באַטייַטיק צו די פּראָבלעם וואָס מיר פּרובירן צו סאָלווע. אין די סוף פון די טריינינג פאַסע, די נעוראַל נעץ זאָל איצט האָבן אַ גוטע געדאַנק פון וואָס פֿעיִקייטן צו קוקן פֿאַר אין אַ בילד.
יקסטענדינג אַי ניצן סיטיזען וויסנשאַפֿט
בירגער וויסנשאַפֿט רעפערס צו וויסנשאפטלעכע פאָרשונג געפירט דורך ליבהאָבער סייאַנטיס אָדער ציבור מיטגלידער.
ססיענטיסץ וואָס לערנען אַסטראָנאָמיע אָפט מיטאַרבעטן מיט בירגער סייאַנטיס צו העלפן מאַכן מער וויכטיק וויסנשאפטלעכע דיסקאַוועריז. נאַסאַ האלט אַ רעשימע פון דאַזאַנז פון בירגער וויסנשאַפֿט פּראַדזשעקס צו וואָס ווער עס יז מיט אַ מאָביל טעלעפאָן אָדער לאַפּטאַפּ קענען ביישטייערן.
די נאַשאַנאַל אַסטראָנאָמיקאַל אָבסערוואַטאָרי פון יאַפּאַן האט אויך שטעלן אַ בירגער וויסנשאַפֿט פּרויעקט באקאנט ווי גאַלאַקסי קרוז. די איניציאטיוו טריינז וואַלאַנטירז צו קלאַסיפיצירן גאַלאַקסיעס און קוקן פֿאַר וואונדער פון פּאָטענציעל קאַליזשאַנז צווישן גאַלאַקסיעס. אן אנדער בירגער פּרויעקט גערופן גאַלאַקסי זאָאָלאָגישער גאָרטן האט שוין באקומען איבער 50 מיליאָן קלאַסאַפאַקיישאַנז אין בלויז דער ערשטער יאָר פון קאַטער.
ניצן דאַטן פון בירגער וויסנשאַפֿט פּראַדזשעקס, מיר קענען באַן נעוראַל נעטוואָרקס צו קלאַסיפיצירן גאַלאַקסיעס אין מער דיטיילד קלאסן ווייַטער. מיר קען אויך נוצן די בירגער וויסנשאַפֿט לאַבעלס צו געפֿינען גאַלאַקסיעס מיט טשיקאַווע פֿעיִקייטן. פֿעיִקייטן אַזאַ ווי רינגס און לענסעס קען נאָך זיין שווער צו געפֿינען ניצן אַ נעוראַל נעץ.
סאָף
נעוראַל נעץ טעקניקס זענען ינקריסינגלי פאָלקס אין די פעלד פון אַסטראָנאָמיע. דער קאַטער פון נאַסאַ ס James Webb ספעיס טעלעסקאָפּ אין 2021 הבטחות אַ נייַע תקופה פון אָבסערוואַטיאָנאַל אַסטראָנאָמיע. דער טעלעסקאָפּ האט שוין געזאמלט טעראַביטעס פון דאַטן, מיט עפשער טויזנטער מער אויף דעם וועג אין זיין פינף-יאָר מיסיע לעבן.
קלאַסאַפייינג גאַלאַקסיעס איז בלויז איינער פון פילע פּאָטענציעל טאַסקס וואָס קענען זיין סקיילד אַרויף מיט ML. מיט פּלאַץ דאַטן פּראַסעסינג ווערן זיין אייגענע ביג דאַטאַ פּראָבלעם, ריסערטשערז מוזן נוצן אַוואַנסירטע מאַשין לערנען גאָר צו פֿאַרשטיין די גרויס בילד.
לאָזן אַ ענטפֿערן