Glavni AstronomijaProgramska oprema za globinsko učenje prepoznavanja obraza je presenetljivo dobra pri prepoznavanju galaksij

Programska oprema za globinsko učenje prepoznavanja obraza je presenetljivo dobra pri prepoznavanju galaksij

Astronomija : Programska oprema za globinsko učenje prepoznavanja obraza je presenetljivo dobra pri prepoznavanju galaksij

Veliko pozornosti je bilo namenjenega tehniki strojnega učenja, imenovanem "globoko učenje", kjer so računalniki sposobni zaznati vzorce podatkov, ne da bi bili za to posebej programirani. V zadnjih letih se ta tehnika uporablja za številne aplikacije, ki vključujejo prepoznavanje glasu in obraza na platformah družbenih medijev, kot je Facebook.

Vendar pa astronomi koristijo tudi globokemu učenju, kar jim pomaga analizirati slike galaksij in razumeti, kako se oblikujejo in razvijajo. V novi raziskavi je skupina mednarodnih raziskovalcev uporabila algoritem globokega učenja za analizo slik galaksij s vesoljskega teleskopa Hubble . Ta metoda se je izkazala za učinkovito pri razvrščanju teh galaksij glede na to, na kateri stopnji so bile v njihovi evoluciji.

Študija z naslovom "Globoko učenje prepoznava visoko-z galaksije v osrednji fazi modrega samca v značilnem masnem območju" se je nedavno pojavila na spletu in je bila sprejeta za objavo v astrofizični reviji. Študijo je vodil Marc Huertes-Company z univerze Paris Diderot in vključevala člane kalifornijske univerze Santa Cruz (UCSC), hebrejske univerze, znanstvenega inštituta za vesoljski teleskop, univerze Pennsylvania Philadelphia, MINES ParisTech in šangajske normalne univerze (SNHU).

Algoritem 'globokega učenja', usposobljen za slike iz kozmoloških simulacij, je presenetljivo uspešen pri razvrščanju resničnih galaksij v Hubblove slike. Zasluge: HST / CANDELS

Podjetje Marc Huertas-Company je v preteklosti že uporabljalo metode globokega učenja za podatke Hubbleja zaradi klasifikacije galaksij. Huertas-Company in ekipa sta v sodelovanju z Davidom Koo in Joelom Primackom, ki sta oba profesorja emeritus v UC Santa Cruz (in s podporo Googla), pretekli dve poletji razvila nevronsko mrežo, ki bi lahko prepoznala galaksije na različnih stopnjah v svoji evoluciji.

"Ta projekt je bil le ena izmed več idej, ki smo jih imeli, " je dejal Koo v nedavnem sporočilu za javnost USCS. „Želeli smo izbrati postopek, ki ga teoretiki lahko jasno opredelijo na podlagi simulacij in ima nekaj skupnega s tem, kako je videti galaksija, nato pa naj algoritem za globoko učenje poišče v opazovanjih. Mi smo začeli raziskovati ta nov način raziskovanja. It sa nov način teorije spajanja in opazovanja.

Za potrebe študije so raziskovalci uporabili računalniške simulacije, da so ustvarili posmehljive slike galaksij, kot bi jih videli v opazovanjih vesoljskega teleskopa Hubble . Podobe posnetkov so bile uporabljene za usposabljanje nevronske mreže globokega učenja za prepoznavanje treh ključnih faz evolucije galaksije, ki so bile predhodno identificirane v simulacijah. Nato so raziskovalci uporabili mrežo za analizo velikega niza dejanskih Hubblovih slik.

Tako kot prejšnje slike, ki jih je analizirala družba Huertas-Company, so tudi te slike del projekta Hubble s Cosmic Assembly Near-infrardeči globinski ekstragalaktični preiskavi (CANDELS) največji projekt v zgodovini vesoljskega teleskopa Hubble . Ugotovili so, da je bila nevronska mreža tista klasifikacija simuliranih in resničnih galaksij izjemno skladna. Kot je pojasnil Joel Primack:

Ne pričakovali smo, da bo vse tako uspešno. I m začuden, kako močan je to. Vemo, da imajo simulacije omejitve, zato ne želimo preveč trditi. Ampak mi ne mislimo, da je to samo srečna fluka.

Spiralna galaksija se sveti v modri svetlobi mladih zvezd iz nastajanja zvezd (levo) in eliptične galaksije, kopane v rdeči luči starih zvezd (desno). Zasluge: SDSS

Raziskovalno skupino so zanimale predvsem galaksije, ki imajo majhno, gosto območje, ki tvori zvezde, znano kot blue nugget . Te regije se pojavijo že zgodaj v evoluciji galaksij, bogatih s plinom, ko veliki pretoki plina v središče galaksije povzročijo nastanek mladih zvezd, ki oddajajo modro svetlobo. Za simulacijo teh in drugih vrst galaksij se je ekipa opirala na najsodobnejše simulacije VELA, ki sta jih razvila Primack in mednarodna skupina sodelavcev.

Računalniški program je tako v simuliranih kot tudi v opazovalnih podatkih ugotovil, da se faza blue nugget pojavlja le v galaksijah z masami v določenem območju. Sledilo je nastajanje zvezd, ki se je končalo v osrednjem območju, kar je vodilo do kompaktne faze red nugget, kjer zvezde v osrednjem območju zapustijo svojo glavno fazo zaporedja in postanejo rdeči velikani.

Doslednost množičnega obsega je bila vznemirljiva, saj je kazala, da nevronska mreža identificira vzorec, ki izhaja iz ključnega fizičnega procesa v resničnih galaksijah - in ne da bi bilo treba to posebej povedati. Kot je navedel Koo, je ta študija velik korak naprej za astronomijo in AI, vendar je treba še veliko raziskav:

„Simulacije VELA so dosegle velik uspeh, saj smo pomagale razumeti opažanja CANDELS. Vendar nihče nima popolnih simulacij. Ko bomo nadaljevali s tem delom, bomo še naprej razvijali boljše simulacije. "

Umetnikov prikaz aktivnega galaktičnega jedra (AGN) v središču galaksije. Zasluge: NASA / CXC / M.Weiss

Na primer, simulacije ekipe niso vključevale vloge, ki jo je odigral Active Galactic Nuclei (AGN). V večjih galaksijah se plin in prah zbirata na osrednji supermasivni črni luknji (SMBH) v jedru, zaradi česar se plin in sevanje izlivata v ogromnih curkih. Nekatere nedavne študije kažejo, kako ima lahko ta zaviralni učinek na nastanek zvezd v galaksijah.

Vendar so opažanja oddaljenih, mlajših galaksij pokazala dokaz pojava, opaženega v simulacijah ekipe, kjer jedra, bogata s plinom, vodijo v fazo modrega samca. Po Koo mnenju ima uporaba globokega učenja za preučevanje galaktične evolucije potencialno razkriti predhodno neodkrite vidike opazovalnih podatkov. Namesto da bi galaksije opazovali kot posnetke v času, bodo astronomi lahko simulirali, kako se razvijajo v milijardah let.

"Globoko učenje išče vzorce, stroj pa lahko vidi vzorce, ki so tako zapleteni, da jih mi ljudje ne vidimo, " je dejal. "Želimo narediti veliko več preizkušanja tega pristopa, vendar se zdi, da je stroj v tej študiji zanesljive zasnove uspešno našel podatke v različnih fazah razvoja galaksije, ugotovljenih v simulacijah."

V prihodnosti bodo astronomi imeli več podatkov o opazovanju, ki jih bodo lahko analizirali zahvaljujoč uvajanju teleskopov nove generacije, kot so veliki sinoptični anketni teleskop (LSST), vesoljski teleskop James Webb (JWST) in širokopotni infrardeči anketni teleskop (WFIRST ). Ti teleskopi bodo zagotovili še bolj množične naloge podatkov, ki jih je mogoče nato analizirati s pomočjo metod strojnega učenja, da se ugotovi, kateri vzorci obstajajo.

Astronomija in umetna inteligenca, ki delujeta skupaj za boljše razumevanje Vesolja. Zanima me, ali bi si morali postaviti nalogo, da najdemo tudi Teorijo vsega (ToE)!

Nadaljnje branje: UCSC, Astrophysical Journal

Kategorija:
Astrosfera za 6. julij 2007
To je slika najvišje ločljivosti Evrope, ki jo imamo ... Za zdaj