Klasifikacija nebeskih objekata je drevni problem. S izvorima na gotovo nevjerojatnim udaljenostima, istraživači se ponekad bore da razlikuju objekte kao što su zvijezde, galaksije, kvazari ili supernove. Istraživači Instituta de Astrofísica e Ciências do Espaço (IA) Pedro Cunha i Andrew Humphrey pokušali su riješiti klasični problem kreiranjem SHEEP, algoritma za strojno učenje koji određuje prirodu astronomskih izvora. Andrew Humphrey (IA i Univerzitet Porto, Portugal) komentira: "Problem klasifikacije nebeskih objekata je vrlo težak u smislu broja i složenosti svemira, a umjetna inteligencija je vrlo obećavajuće sredstvo za takve zadatke."
SHEEP je nadzirani cevovod za mašinsko učenje koji procjenjuje fotometrijski crveni pomaci i koristi te informacije za naknadnu klasifikaciju izvora kao galaksije, kvazare ili zvijezde. Prije izvođenja klasifikacije, SHEEP prvo procjenjuje fotometrijski crveni pomaci, koji se zatim unose u skup podataka kao dodatna karakteristika za obuku modela klasifikacije.
Tim je otkrio da je uključivanje crvenog pomaka i koordinata objekata omogućilo umjetnoj inteligenciji (AI) da ih identificira na XNUMXD mapi svemira, te su to koristili zajedno s informacijama o bojama kako bi bolje procijenili svojstva izvora. Na primjer, AI je naučio da je vjerovatnoća pronalaženja zvijezda bliže ravni Mliječnog puta veća nego na galaktičkim polovima. Humphrey je dodao: "Kada smo dozvolili AI-u da dobije trodimenzionalni pogled na svemir, to je zaista poboljšalo njegovu sposobnost donošenja tačnih odluka o tome šta je točno nebeski objekt."
Istraživanja velikih razmjera, i zemaljska i svemirska, kao što je Sloan Digital Sky Survey (SDSS), proizvela su velike količine podataka, revolucionirajući područje astronomije. Buduće studije opservatorije Vera K. Rubin, spektroskopskog instrumenta tamne energije (DESI), svemirske misije Euclid (ESA) ili svemirskog teleskopa James Webb (NASA/ESA) nastavit će pružati detaljnije informacije i slike. Međutim, analiza svih podataka tradicionalnim metodama može biti dugotrajna. AI ili mašinsko učenje bit će od ključne važnosti za analizu i najbolju naučnu upotrebu ovih novih podataka.
Pedro Cunha kaže: „Jedan od najuzbudljivijih dijelova je vidjeti kako nam mašinsko učenje pomaže da bolje razumijemo svemir. Naša metodologija nam pokazuje mogući put, a pritom stvaramo nove. Ovo je izvanredno vrijeme za astronomiju."
Slikovne i spektroskopske studije su jedan od glavnih resursa za razumijevanje vidljivog sadržaja svemira. Podaci ovih pregleda omogućavaju nam da provodimo statistička istraživanja zvijezda, kvazara i galaksija, kao i da otkrijemo neobičnije objekte.
Možete pomoći Ukrajini u borbi protiv ruskih osvajača. Najbolji način da to učinite je da donirate sredstva Oružanim snagama Ukrajine putem Savelife ili preko službene stranice NBU.
Pročitajte također:
Ostavite odgovor