천체의 분류는 고대의 문제입니다. 거의 믿을 수 없을 만큼 먼 거리에 있는 광원을 사용하여 연구자들은 때때로 별, 은하, 퀘이사 또는 초신성과 같은 물체를 구별하는 데 어려움을 겪습니다. Instituto de Astrofísica e Ciências do Espaço(IA) 연구원 Pedro Cunha와 Andrew Humphrey는 천문학적 소스의 특성을 결정하는 기계 학습 알고리즘인 SHEEP을 만들어 고전적인 문제를 해결하려고 시도했습니다. Andrew Humphrey(IA 및 포르투갈 포르토 대학)는 다음과 같이 말했습니다. "천체를 분류하는 문제는 우주의 수와 복잡성 측면에서 매우 어렵고 인공 지능은 이러한 작업을 위한 매우 유망한 도구입니다."
SHEEP는 측광 적색편이를 추정하고 이 정보를 사용하여 이후에 소스를 은하, 퀘이사 또는 별으로 분류하는 감독된 기계 학습 파이프라인입니다. 분류를 수행하기 전에 SHEEP는 먼저 측광 적색편이를 추정한 다음 분류 모델을 훈련하기 위한 추가 기능으로 데이터세트에 제공됩니다.
팀은 물체의 적색편이와 좌표를 포함하면 인공 지능(AI)이 우주의 D 지도에서 물체를 식별할 수 있다는 것을 발견했으며 이를 색상 정보와 함께 사용하여 소스의 속성을 더 잘 추정했습니다. 예를 들어 AI는 은하수 평면에 더 가까운 별을 찾을 확률이 은하의 극보다 높다는 것을 배웠습니다. Humphrey는 다음과 같이 덧붙였습니다. "AI가 우주를 차원적으로 볼 수 있도록 했을 때 정확히 천체가 무엇인지에 대한 정확한 결정을 내리는 능력이 향상되었습니다."
Sloan Digital Sky Survey(SDSS)와 같은 지상 및 우주 기반의 대규모 측량은 대량의 데이터를 생성하여 천문학 분야에 혁명을 일으켰습니다. Vera K. Rubin Observatory, DESI(Dark Energy Spectroscopic Instrument), ESA(Euclid space mission) 또는 NASA/ESA(James Webb Space Telescope)의 향후 연구는 계속해서 더 자세한 정보와 영상을 제공할 것입니다. 그러나 기존 방법을 사용하여 모든 데이터를 분석하려면 시간이 많이 걸릴 수 있습니다. AI 또는 기계 학습은 이 새로운 데이터를 분석하고 과학적으로 최대한 활용하는 데 중요합니다.
Pedro Cunha는 "가장 흥미로운 부분 중 하나는 기계 학습이 우주를 더 잘 이해하는 데 어떻게 도움이 되는지 보는 것입니다. 우리의 방법론은 우리에게 가능한 경로를 보여주고 그 과정에서 새로운 경로를 생성합니다. 지금은 천문학에 탁월한 시기입니다."
이미징 및 분광학 연구는 우주의 보이는 내용을 이해하기 위한 주요 자원 중 하나입니다. 이 리뷰의 데이터를 통해 별, 퀘이사 및 은하에 대한 통계적 연구를 수행하고 더 특이한 물체를 발견할 수 있습니다.
당신은 우크라이나가 러시아 침략자에 맞서 싸울 수 있도록 도울 수 있습니다. 이를 수행하는 가장 좋은 방법은 다음을 통해 우크라이나 군대에 기금을 기부하는 것입니다. 세이브라이프 또는 공식 페이지를 통해 NBU.
또한 읽기: