Klassificering af himmellegemer er et gammelt problem. Med kilder på næsten utrolige afstande, kæmper forskere nogle gange med at skelne mellem objekter som stjerner, galakser, kvasarer eller supernovaer. Instituto de Astrofísica e Ciências do Espaço (IA) forskere Pedro Cunha og Andrew Humphrey forsøgte at løse det klassiske problem ved at skabe SHEEP, en maskinlæringsalgoritme, der bestemmer arten af astronomiske kilder. Andrew Humphrey (IA og University of Porto, Portugal) kommenterer: "Problemet med at klassificere himmellegemer er meget vanskeligt i forhold til universets antal og kompleksitet, og kunstig intelligens er et meget lovende værktøj til sådanne opgaver."
SHEEP er en overvåget maskinlæringspipeline, der estimerer fotometriske rødforskydninger og bruger disse oplysninger til efterfølgende at klassificere kilder som galakser, kvasarer eller stjerner. Før klassificeringen udføres, estimerer SHEEP først de fotometriske rødforskydninger, som derefter føres ind i datasættet som en ekstra funktion til at træne klassifikationsmodellen.
Holdet fandt ud af, at inklusive objekternes rødforskydning og koordinater gjorde det muligt for kunstig intelligens (AI) at identificere dem på et XNUMXD-kort over universet, og de brugte dette sammen med farveinformation til bedre at vurdere kildens egenskaber. For eksempel har AI lært, at sandsynligheden for at finde stjerner tættere på Mælkevejens plan er højere end ved de galaktiske poler. Humphrey tilføjede: "Da vi tillod AI at få et tredimensionelt billede af universet, forbedrede det virkelig dets evne til at træffe nøjagtige beslutninger om, hvad et himmelobjekt præcist er."
Storstilede undersøgelser, både jordbaserede og rumbaserede, såsom Sloan Digital Sky Survey (SDSS), har produceret store mængder data, hvilket revolutionerer astronomiområdet. Fremtidige undersøgelser foretaget af Vera K. Rubin Observatory, Dark Energy Spectroscopic Instrument (DESI), Euclid-rummissionen (ESA) eller James Webb Space Telescope (NASA/ESA) vil fortsætte med at give mere detaljeret information og billeddannelse. Det kan dog være tidskrævende at analysere alle data ved hjælp af traditionelle metoder. AI eller machine learning vil være afgørende for at analysere og gøre den bedste videnskabelige brug af disse nye data.
Pedro Cunha siger: "En af de mest spændende dele er at se, hvordan maskinlæring hjælper os med bedre at forstå universet. Vores metodik viser os en mulig vej, mens vi skaber nye i processen. Dette er en enestående tid for astronomi."
Billeddannelse og spektroskopiske undersøgelser er en af de vigtigste ressourcer til at forstå universets synlige indhold. Dataene fra disse anmeldelser giver os mulighed for at udføre statistiske undersøgelser af stjerner, kvasarer og galakser samt opdage mere usædvanlige objekter.
Du kan hjælpe Ukraine med at kæmpe mod de russiske angribere. Den bedste måde at gøre dette på er at donere midler til Ukraines væbnede styrker gennem Red livet eller via den officielle side NBU.
Læs også: