Класификацията на небесните обекти е древен проблем. С източници на почти невероятни разстояния изследователите понякога се затрудняват да различат обекти като звезди, галактики, квазари или свръхнови. Изследователите от Instituto de Astrofísica e Ciências do Espaço (IA) Педро Куня и Андрю Хъмфри се опитаха да разрешат класическия проблем, като създадоха SHEEP, алгоритъм за машинно обучение, който определя природата на астрономическите източници. Андрю Хъмфри (IA и Университета на Порто, Португалия) коментира: „Проблемът с класифицирането на небесните обекти е много труден от гледна точка на броя и сложността на Вселената, а изкуственият интелект е много обещаващ инструмент за такива задачи.“
SHEEP е контролиран канал за машинно обучение, който оценява фотометричните червени премествания и използва тази информация, за да класифицира впоследствие източниците като галактики, квазари или звезди. Преди да извърши класификацията, SHEEP първо оценява фотометричните червени отмествания, които след това се подават в набора от данни като допълнителна функция за обучение на класификационния модел.
Екипът установи, че включването на червеното отместване и координатите на обектите позволява на изкуствения интелект (AI) да ги идентифицира на XNUMXD карта на Вселената и те използват това заедно с информация за цвета, за да оценят по-добре свойствата на източника. Например, AI е научил, че вероятността да се намерят звезди по-близо до равнината на Млечния път е по-висока, отколкото на галактическите полюси. Хъмфри добави: „Когато позволихме на AI да получи триизмерен изглед на Вселената, това наистина подобри способността му да взема точни решения за това какво точно е небесният обект.“
Мащабни проучвания, както наземни, така и базирани в космоса, като Sloan Digital Sky Survey (SDSS), създадоха големи количества данни, революционизирайки областта на астрономията. Бъдещи проучвания от обсерваторията Vera K. Rubin, спектроскопичния инструмент за тъмна енергия (DESI), космическата мисия Euclid (ESA) или космическия телескоп James Webb (NASA/ESA) ще продължат да предоставят по-подробна информация и изображения. Въпреки това, анализирането на всички данни с помощта на традиционни методи може да отнеме много време. AI или машинното обучение ще бъдат от решаващо значение за анализирането и най-доброто научно използване на тези нови данни.
Педро Куня казва: „Една от най-вълнуващите части е да видим как машинното обучение ни помага да разберем по-добре Вселената. Нашата методология ни показва възможен път, като същевременно създава нови в процеса. Това е изключително време за астрономията."
Образните и спектроскопските изследвания са един от основните ресурси за разбиране на видимото съдържание на Вселената. Данните от тези прегледи ни позволяват да провеждаме статистически изследвания на звезди, квазари и галактики, както и да откриваме по-необичайни обекти.
Можете да помогнете на Украйна да се бори срещу руските нашественици. Най-добрият начин да направите това е да дарите средства на въоръжените сили на Украйна чрез Savelife или през официалната страница НБУ.
Прочетете също: