Taivaankappaleiden luokittelu on ikivanha ongelma. Koska lähteet ovat lähes uskomattomilla etäisyyksillä, tutkijoilla on joskus vaikeuksia erottaa kohteita, kuten tähtiä, galakseja, kvasaareita tai supernoveja. Instituto de Astrofísica e Ciências do Espaço (IA) tutkijat Pedro Cunha ja Andrew Humphrey yrittivät ratkaista klassisen ongelman luomalla SHEEPin, koneoppimisalgoritmin, joka määrittää tähtitieteellisten lähteiden luonteen. Andrew Humphrey (IA ja Porton yliopisto, Portugali) kommentoi: "Taivaankappaleiden luokitteluongelma on erittäin vaikea maailmankaikkeuden lukumäärän ja monimutkaisuuden kannalta, ja tekoäly on erittäin lupaava työkalu tällaisiin tehtäviin."
SHEEP on valvottu koneoppimisputki, joka arvioi fotometrisiä punasiirtymiä ja käyttää näitä tietoja lähteiden luokitteluun myöhemmin galakseiksi, kvasaareiksi tai tähdiksi. Ennen luokituksen suorittamista SHEEP arvioi ensin fotometriset punasiirtymät, jotka syötetään sitten tietojoukkoon lisäominaisuudena luokitusmallin kouluttamiseksi.
Tiimi havaitsi, että esineiden punasiirtymän ja koordinaattien mukaan tekoäly (AI) pystyi tunnistamaan ne universumin XNUMXD-kartalla, ja he käyttivät tätä yhdessä väritietojen kanssa arvioidakseen paremmin lähteen ominaisuuksia. Tekoäly on esimerkiksi oppinut, että todennäköisyys löytää tähtiä lähempänä Linnunradan tasoa on suurempi kuin galaktisten napojen kohdalla. Humphrey lisäsi: "Kun annoimme tekoälyn saada kolmiulotteisen kuvan maailmankaikkeudesta, se todella paransi sen kykyä tehdä tarkkoja päätöksiä siitä, mikä taivaankappale tarkalleen on."
Laajamittainen tutkimukset, sekä maassa että avaruudessa, kuten Sloan Digital Sky Survey (SDSS), ovat tuottaneet suuria tietomääriä ja mullistaneet tähtitieteen alan. Vera K. Rubinin observatorion, Dark Energy Spectroscopic Instrumentin (DESI), Euclid-avaruustehtävän (ESA) tai James Webbin avaruusteleskoopin (NASA/ESA) tulevat tutkimukset tarjoavat jatkossakin yksityiskohtaisempaa tietoa ja kuvantamista. Kaiken tiedon analysointi perinteisillä menetelmillä voi kuitenkin olla aikaa vievää. Tekoäly tai koneoppiminen ovat ratkaisevan tärkeitä tämän uuden datan analysoinnissa ja parhaan tieteellisen käytön kannalta.
Pedro Cunha sanoo: "Yksi jännittävimmistä osista on nähdä, kuinka koneoppiminen auttaa meitä ymmärtämään paremmin maailmankaikkeutta. Metodologiamme näyttää meille mahdollisen polun ja luo samalla uusia. Tämä on erinomaista aikaa tähtitiedelle."
Kuvantaminen ja spektroskooppiset tutkimukset ovat yksi tärkeimmistä resursseista universumin näkyvän sisällön ymmärtämisessä. Näiden katsausten tietojen avulla voimme suorittaa tilastollisia tutkimuksia tähdistä, kvasaareista ja galakseista sekä löytää epätavallisempia esineitä.
Voit auttaa Ukrainaa taistelemaan venäläisiä hyökkääjiä vastaan. Paras tapa tehdä tämä on lahjoittaa varoja Ukrainan asevoimille Pelasta elämä tai virallisen sivun kautta NBU.
Lue myös: