Yüz tanıma, galaksileri tanımlamada da çok iyidir ve yapay zeka gitgide daha iyi hale geliyor!
Pek çok kişi makine öğrenimi teknolojisi veya "derin öğrenme" konusunda endişelidir, yani bilgisayar, özel programlama olmadan verilerdeki kalıpları tanıyabilir. Son yıllarda bu teknoloji, Facebook gibi sosyal medya platformlarının ses ve yüz tanıma işlevleri dahil olmak üzere birçok uygulama alanına uygulanmıştır. Bununla birlikte gökbilimciler, galaksilerin görüntülerini analiz etmeye ve bunların nasıl oluştuklarını ve evrimleştiklerini anlamaya yardımcı olan derin öğrenmeden de yararlanır. Yeni bir çalışmada, bir grup uluslararası araştırmacı, Hubble Uzay Teleskobu'ndan galaksi görüntülerini analiz etmek için derin öğrenme algoritmaları kullandı.
Galaksinin evriminin diyagramı. Birincisi, galaksiler disklerden oluşur (solda), ancak aktif yıldızlar galaksinin merkezinde meydana gelen devasa toz ve gaz bulutları oluşturur. Daha sonra galaksi yıldızın genişlemesiyle kontrol edilir ve eliptik veya merceksi bir galaksi haline gelir. Resim: NAOJ
Bu yöntem, bu galaksileri evrim aşamalarına göre sınıflandırmanın geçerliliğini kanıtlıyor. "Karakteristik bir kütle aralığında yüksek z galaksilerinin merkezi mavi altın külçe aşamasını belirlemeye yönelik derin öğrenme" başlıklı araştırma yakın zamanda yayınlandı ve Astrophysical Journal tarafından kabul edildi. Araştırma, Paris Diderot Üniversitesi'nden Marc huert şirketi tarafından yönetildi ve Kaliforniya Üniversitesi Santa Cruz, İbrani Üniversitesi, Uzay Teleskopu Bilim Enstitüsü, Pennsylvania Üniversitesi Philadelphia, ParisTech ve Şangay Normal Üniversitesi'nden (SNHU) öğrencileri içeriyordu. üyesi.
Evren tarafından simüle edilen görüntüler üzerinde eğitim vererek Hubble görüntüsündeki gerçek galaksileri sınıflandırmada şaşırtıcı bir şekilde başarılı olan bir "derin öğrenme" algoritması. Resim: HST / CANDELS
Geçmişte Marc Huertas-Company, galaksi sınıflandırması için Hubble verilerine derin öğrenme yöntemleri uyguladı. David Koo ve Joel Primack ile işbirliğinde, ikisi de California Santa Cruz Üniversitesi'nde (Google'ın desteğiyle) emeritus profesörler. Huertas-Company ve ekip, son iki yaz içinde bir sinir ağı geliştirdi. Farklı galaksiler, evrimlerinin farklı aşamalarında tanımlanabilir. Teorisyenlerin, galaksilerin görünümüyle ilgili simülasyonlara dayanarak açıkça tanımlayabilecekleri bir süreci seçmek ve ardından derin öğrenme algoritmaları bunu gözlemlerde arar.
Teori ve gözlemi birleştirmenin yeni bir yöntemi olan bu yeni araştırma yöntemini keşfetmeye yeni başladım. Araştırmacılar, Hubble Uzay Teleskobu'ndan gelen gözlemleri gözlemleyecekleri için simüle edilmiş galaksilerin görüntülerini oluşturmak için bilgisayar simülasyonlarını kullanıyorlar. Simüle edilmiş görüntüler, simülasyonda tanımlanan galaksi evriminin üç temel aşamasını belirlemek için derin öğrenme sinir ağlarını eğitmek için kullanılır. Araştırmacılar daha sonra ağı bir dizi gerçek Hubble görüntüsünü analiz etmek için kullandılar.
Önceki resimler gibi, Hubble Uzay Teleskobu tarafından çekilen bu görüntüler, Hubble Uzay Teleskobu tarihinin en büyük projesi olan Hubble Uzay Teleskobu'nun bir parçasıdır. Yapay ve gerçek galaksilerin sinir ağları tarafından sınıflandırılmasının çok tutarlı olduğu bulunmuştur. Joel Primack açıkladı: Başarılı olmasını beklemiyoruz.Bunun ne kadar güçlü olduğuna şaşırıyoruz.Simülasyon sınırlı, bu yüzden çok fazla talepte bulunmak istemiyoruz, ancak bunun sadece bir şans olduğunu düşünmüyoruz.
Sarmal bir gökada, devam eden yıldız oluşumundan (solda) ve eski yıldızların kırmızı ışığında yıkanmış eliptik bir gökadadan (sağda) genç yıldızların mavi ışığında parlıyor. Resim: SDSS
Araştırma ekibi, özellikle "mavi çekirdek" olarak bilinen küçük, yoğun bir yıldız oluşum bölgesine sahip galaksilerle ilgileniyor. Bu bölgeler, gaz zengini galaksilerin evriminin erken dönemlerinde meydana geldi.Galaksinin merkezine büyük miktarda gaz girdiğinde, mavi ışık yayan genç yıldızlar oluşur. Ekip, bunları ve diğer galaksi türlerini simüle etmek için Primack ve uluslararası bir işbirliği ekibi tarafından geliştirilen en gelişmiş VELA simülasyonuna güvendi. Simülasyon ve gözlem verilerinde, bilgisayar programları "mavi çekirdek" aşamasının yalnızca belirli bir aralıktaki kütlelere sahip galaksilerde meydana geldiğini buldu.
Bunu, merkez bölgedeki yıldızların oluşumu izler ve kompakt bir "kırmızı altın külçe" fazı oluştururlar Merkez bölgedeki yıldızlar, ana dizi fazını terk ederek kırmızı dev yıldızlara dönüşürler. Kütle aralığının tutarlılığı heyecan vericidir, çünkü sinir ağının gerçek bir galaksideki önemli bir fiziksel sürecin sonucu olan bir kalıbı tanıdığını ve bunun açıkça söylenmesine gerek olmadığını gösterir. Koo'nun belirttiği gibi, bu araştırma astronomi ve yapay zeka alanında büyük bir ilerlemedir, ancak hala çok sayıda araştırma yapılması gerekiyor: VELA simülasyonları, CANDELS gözlemlerini anlamamıza yardımcı olarak büyük başarı elde etti. Ancak hiç kimsenin mükemmel bir simülasyonu yok, bu çalışmaya devam ederken daha iyi simülasyonlar geliştirmeye devam edeceğiz.
Galaksinin merkezindeki aktif galaktik çekirdeğin (AGN) temsili, fotoğraf: NASA / CXC / M.Weiss
Örneğin, takımın simülasyonu aktif galaktik çekirdeğin (AGN) oynadığı rolü içermiyor. Daha büyük galaksilerde, gaz ve toz, merkezdeki süper kütleli kara deliğin (SMBH) merkezinde toplanır ve bu da gazın ve radyasyonun büyük jetlere atılmasına neden olur. Son zamanlarda yapılan bazı araştırmalar, bunun galaksilerdeki yıldız oluşumunda dramatik bir etkiye sahip olabileceğini gösteriyor. Bununla birlikte, uzaktaki genç galaksilerin gözlemleri, ekibin simülasyonlarında gözlenen ve gaz bakımından zengin çekirdeklerin mavi külçe aşamasına neden olduğu fenomenlerin kanıtlarını gösterdi.
Galaksilerin evrimini incelemek için derin öğrenmeyi kullanmak, önceden tespit edilmemiş gözlemsel verileri ortaya çıkarabilir. Gökbilimciler galaksileri zamanın anlık görüntüleri olarak gözlemlemediler, ancak milyarlarca yıllık evrimlerini simüle edebilirler. Derin öğrenme kalıpları arar ve makineler biz insanların göremeyeceği kadar karmaşık kalıpları görebilir. Bu yöntem üzerinde daha fazla test yapıldı, ancak bu kavram kanıtı çalışmasında, makine verilerde simülasyonda tanımlanan galaksi evriminin farklı aşamalarını bulmayı başardı.
Gelecekte, Büyük Hava Gözlem Teleskobu (LSST), James Webb Uzay Teleskobu (JWST) ve Geniş Alan Kızılötesi Araştırma Teleskobu (WFIRST) gibi yeni nesil teleskopların konuşlandırılması sayesinde gökbilimciler analiz etmek için daha fazla gözlemsel veriye sahip olacaklar. ). Bu teleskoplar daha büyük veri setleri sağlayacak ve daha sonra modellerin varlığını belirlemek için makine öğrenimi yöntemleriyle analiz edilecek. Astronomi ve yapay zeka, evreni daha iyi anlamak için birlikte çalışır. Onu her şeyin teorisini bulma görevine koymalı mıyız bilmiyorum!
Brocade Park-Science Popularization Metin: Matt Williams Gönderen: Universe Today Referans: UCSC, Astrophysical Journal
