Класифікація небесних об’єктів є давньою проблемою. З джерелами на майже неймовірних відстанях дослідникам іноді важко розрізнити такі об’єкти, як зірки, галактики, квазари чи наднові зірки. Дослідники Instituto de Astrofísica e Ciências do Espaço (IA) Педро Кунья та Ендрю Хамфрі спробували розв’язати класичну проблему, створивши SHEEP, алгоритм машинного навчання, що визначає природу астрономічних джерел. Ендрю Хамфрі (ІА та Університет Порту, Португалія) коментує: «Проблема класифікації небесних об’єктів дуже складна з точки зору кількості та складності Всесвіту, і штучний інтелект — дуже перспективний інструмент для таких завдань».
A SHEEP egy felügyelt gépi tanulási folyamat, amely megbecsüli a fotometriai vöröseltolódásokat, és ezen információk alapján a forrásokat galaxisok, kvazárok vagy csillagokként osztályozza. Az osztályozás végrehajtása előtt a SHEEP először megbecsüli a fotometriai vöröseltolódásokat, amelyeket azután az osztályozási modell betanításához további funkcióként betáplál az adatkészletbe.
A csapat megállapította, hogy az objektumok vöröseltolódásának és koordinátáinak figyelembevétele lehetővé tette a mesterséges intelligencia (AI) számára, hogy azonosítsa őket a világegyetem XNUMXD-s térképén, és ezt a színinformációkkal együtt felhasználták a forrás tulajdonságainak jobb becslésére. Például az AI megtanulta, hogy a Tejútrendszer síkjához közelebbi csillagok megtalálásának valószínűsége nagyobb, mint a galaktikus pólusokon. Humphrey hozzátette: "Amikor lehetővé tettük az AI-nak, hogy háromdimenziós képet kapjon az univerzumról, valóban javította a képességét, hogy pontos döntéseket hozzon arról, hogy pontosan mi is az égi objektum."
A nagyszabású – földi és űrbeli – felmérések, mint például a Sloan Digital Sky Survey (SDSS) nagy mennyiségű adatot hoztak létre, forradalmasítva ezzel a csillagászat területét. A Vera K. Rubin Obszervatórium, a Dark Energy Spectroscopic Instrument (DESI), az Euclid űrmisszió (ESA) vagy a James Webb Űrteleszkóp (NASA/ESA) jövőbeni tanulmányai továbbra is részletesebb információkkal és képalkotással szolgálnak majd. Az összes adat hagyományos módszerekkel történő elemzése azonban időigényes lehet. A mesterséges intelligencia vagy a gépi tanulás kulcsfontosságú lesz ezen új adatok elemzéséhez és a legjobb tudományos felhasználáshoz.
Pedro Cunha azt mondja: „Az egyik legizgalmasabb rész az, hogy meglátjuk, hogyan segít a gépi tanulás jobban megérteni az univerzumot. Módszertanunk egy lehetséges utat mutat meg, miközben újakat hozunk létre a folyamat során. Ez egy kiemelkedő időszak a csillagászat számára."
A képalkotás és a spektroszkópiai vizsgálatok az egyik fő forrás az univerzum látható tartalmának megértéséhez. Ezen áttekintések adatai lehetővé teszik csillagok, kvazárok és galaxisok statisztikai vizsgálatát, valamint szokatlanabb objektumok felfedezését.
Segíthet Ukrajnának az orosz megszállók elleni küzdelemben. Ennek legjobb módja, ha adományokat adományoz az ukrán fegyveres erőknek ezen keresztül Savelife vagy a hivatalos oldalon keresztül NBU.
Olvassa el még: