Dangaus objektų klasifikavimas yra senovės problema. Kadangi šaltiniai yra beveik neįtikėtinais atstumais, mokslininkams kartais sunku atskirti tokius objektus kaip žvaigždės, galaktikos, kvazarai ar supernovos. Instituto de Astrofísica e Ciências do Espaço (IA) mokslininkai Pedro Cunha ir Andrew Humphrey bandė išspręsti klasikinę problemą, sukurdami SHEEP – mašininio mokymosi algoritmą, kuris nustato astronominių šaltinių pobūdį. Andrew Humphrey (IA ir Porto universitetas, Portugalija) komentuoja: „Dangaus objektų klasifikavimo problema yra labai sudėtinga dėl visatos skaičiaus ir sudėtingumo, o dirbtinis intelektas yra labai perspektyvi priemonė tokioms užduotims atlikti“.
SHEEP yra prižiūrimas mašininio mokymosi dujotiekis, kuris įvertina fotometrinius raudonuosius poslinkius ir naudoja šią informaciją, kad vėliau klasifikuotų šaltinius kaip galaktikas, kvazarus ar žvaigždes. Prieš atlikdama klasifikavimą, SHEEP pirmiausia įvertina fotometrinius raudonuosius poslinkius, kurie vėliau įvedami į duomenų rinkinį kaip papildoma funkcija, skirta klasifikavimo modeliui išmokyti.
Komanda nustatė, kad įtraukus objektų raudonąjį poslinkį ir koordinates dirbtinis intelektas (AI) galėjo juos identifikuoti XNUMXD visatos žemėlapyje, ir jie panaudojo tai kartu su spalvų informacija, kad geriau įvertintų šaltinio savybes. Pavyzdžiui, AI sužinojo, kad tikimybė rasti žvaigždes arčiau Paukščių Tako plokštumos yra didesnė nei galaktikos ašigalių. Humphrey pridūrė: „Kai AI leidome gauti trimatį visatos vaizdą, jis tikrai pagerino jo gebėjimą priimti tikslius sprendimus, kas tiksliai yra dangaus objektas“.
Didelio masto tyrimai, tiek antžeminiai, tiek kosminiai, pvz., Sloan Digital Sky Survey (SDSS), atnešė daug duomenų ir sukėlė revoliuciją astronomijos srityje. Būsimi Vera K. Rubin observatorijos, Tamsiosios energijos spektroskopinio instrumento (DESI), Euklido kosminės misijos (ESA) arba Jameso Webbo kosminio teleskopo (NASA/ESA) tyrimai ir toliau suteiks išsamesnės informacijos ir vaizdų. Tačiau visų duomenų analizė naudojant tradicinius metodus gali užtrukti. AI arba mašininis mokymasis bus labai svarbus norint analizuoti ir kuo geriau panaudoti šiuos naujus duomenis.
Pedro Cunha sako: „Viena iš įdomiausių dalių yra pamatyti, kaip mašininis mokymasis padeda mums geriau suprasti visatą. Mūsų metodika parodo mums galimą kelią, o proceso metu sukuriame naujus. Tai puikus laikas astronomijai“.
Vaizdo ir spektroskopiniai tyrimai yra vienas iš pagrindinių išteklių, padedančių suprasti matomą visatos turinį. Šių apžvalgų duomenys leidžia atlikti statistinius žvaigždžių, kvazarų ir galaktikų tyrimus, taip pat atrasti neįprastesnius objektus.
Jūs galite padėti Ukrainai kovoti su Rusijos įsibrovėliais. Geriausias būdas tai padaryti – aukoti lėšas Ukrainos ginkluotosioms pajėgoms per Išgelbėk gyvybę arba per oficialų puslapį NBU.
Taip pat skaitykite: