Die Klassifizierung von Himmelsobjekten ist ein uraltes Problem. Da Quellen in nahezu unglaublichen Entfernungen liegen, fällt es Forschern manchmal schwer, Objekte wie Sterne, Galaxien, Quasare oder Supernovae zu unterscheiden. Die Forscher Pedro Cunha und Andrew Humphrey vom Instituto de Astrofísica e Ciências do Espaço (IA) versuchten, das klassische Problem zu lösen, indem sie SHEEP entwickelten, einen maschinellen Lernalgorithmus, der die Natur astronomischer Quellen bestimmt. Andrew Humphrey (IA und Universität Porto, Portugal) kommentiert: „Das Problem der Klassifizierung von Himmelsobjekten ist angesichts der Anzahl und Komplexität des Universums sehr schwierig, und künstliche Intelligenz ist ein vielversprechendes Werkzeug für solche Aufgaben.“
SHEEP ist eine überwachte Pipeline für maschinelles Lernen, die photometrische Rotverschiebungen schätzt und diese Informationen verwendet, um Quellen anschließend als Galaxien, Quasare oder Sterne zu klassifizieren. Vor der Klassifizierung schätzt SHEEP zunächst die photometrischen Rotverschiebungen, die dann als zusätzliches Feature in den Datensatz eingespeist werden, um das Klassifizierungsmodell zu trainieren.
Das Team stellte fest, dass die Einbeziehung der Rotverschiebung und der Koordinaten der Objekte es künstlicher Intelligenz (KI) ermöglichte, sie auf einer XNUMXD-Karte des Universums zu identifizieren, und sie nutzten dies zusammen mit Farbinformationen, um die Eigenschaften der Quelle besser abzuschätzen. Die KI hat zum Beispiel gelernt, dass die Wahrscheinlichkeit, Sterne näher an der Ebene der Milchstraße zu finden, höher ist als an den galaktischen Polen. Humphrey fügte hinzu: „Als wir der KI erlaubten, eine dreidimensionale Ansicht des Universums zu erhalten, hat sie ihre Fähigkeit, genaue Entscheidungen darüber zu treffen, was genau ein Himmelsobjekt ist, wirklich verbessert.“
Sowohl bodengestützte als auch weltraumgestützte Vermessungen in großem Maßstab wie die Sloan Digital Sky Survey (SDSS) haben große Datenmengen produziert und den Bereich der Astronomie revolutioniert. Zukünftige Studien des Vera K. Rubin Observatory, des Dark Energy Spectroscopic Instrument (DESI), der Euclid Space Mission (ESA) oder des James Webb Space Telescope (NASA/ESA) werden weiterhin detailliertere Informationen und Bilder liefern. Die Analyse aller Daten mit herkömmlichen Methoden kann jedoch zeitaufwändig sein. KI oder maschinelles Lernen werden entscheidend sein, um diese neuen Daten zu analysieren und wissenschaftlich optimal zu nutzen.
Pedro Cunha sagt: „Einer der spannendsten Aspekte ist zu sehen, wie maschinelles Lernen uns dabei hilft, das Universum besser zu verstehen. Unsere Methodik zeigt uns einen möglichen Weg auf und schafft dabei neue. Dies ist eine herausragende Zeit für die Astronomie."
Bildgebende und spektroskopische Studien sind eine der wichtigsten Ressourcen zum Verständnis der sichtbaren Inhalte des Universums. Die Daten dieser Überprüfungen ermöglichen es uns, statistische Untersuchungen von Sternen, Quasaren und Galaxien durchzuführen sowie ungewöhnlichere Objekte zu entdecken.
Sie können der Ukraine helfen, gegen die russischen Invasoren zu kämpfen. Der beste Weg, dies zu tun, besteht darin, Gelder an die Streitkräfte der Ukraine zu spenden Das Leben retten oder über die offizielle Seite NBU.
Lesen Sie auch:
Hinterlassen Sie uns einen Kommentar