Երկնային օբյեկտների դասակարգումը հնագույն խնդիր է: Գրեթե անհավանական հեռավորության վրա գտնվող աղբյուրների առկայության դեպքում հետազոտողները երբեմն դժվարանում են տարբերել այնպիսի առարկաներ, ինչպիսիք են աստղերը, գալակտիկաները, քվազարները կամ գերնոր աստղերը: Instituto de Astrofísica e Ciências do Espaço (IA) հետազոտողներ Պեդրո Կունյան և Էնդրյու Համֆրին փորձել են լուծել դասական խնդիրը՝ ստեղծելով SHEEP՝ մեքենայական ուսուցման ալգորիթմ, որը որոշում է աստղագիտական աղբյուրների բնույթը: Էնդրյու Համֆրին (IA և Պորտուի համալսարան, Պորտուգալիա) մեկնաբանում է. «Երկնային օբյեկտների դասակարգման խնդիրը տիեզերքի քանակի և բարդության առումով շատ դժվար է, և արհեստական ինտելեկտը շատ խոստումնալից գործիք է նման խնդիրների համար»:
SHEEP-ը վերահսկվող մեքենայական ուսուցման խողովակաշար է, որը գնահատում է լուսաչափական կարմիր տեղաշարժերը և օգտագործում է այս տեղեկատվությունը, որպեսզի հետագայում աղբյուրները դասակարգի որպես գալակտիկաներ, քվազարներ կամ աստղեր: Նախքան դասակարգումն իրականացնելը, SHEEP-ը նախ գնահատում է լուսաչափական կարմիր տեղաշարժերը, որոնք այնուհետև սնվում են տվյալների շտեմարանում՝ որպես դասակարգման մոդելը վարժեցնելու լրացուցիչ հատկանիշ:
Թիմը պարզել է, որ ներառյալ օբյեկտների կարմիր շեղումը և կոորդինատները թույլ են տվել արհեստական ինտելեկտին (AI) բացահայտել դրանք տիեզերքի XNUMXD քարտեզի վրա, և նրանք օգտագործել են դա գունային տեղեկատվության հետ միասին՝ աղբյուրի հատկությունները ավելի լավ գնահատելու համար: Օրինակ՝ AI-ն իմացել է, որ Ծիր Կաթինի հարթությանը ավելի մոտ աստղեր գտնելու հավանականությունն ավելի մեծ է, քան գալակտիկական բևեռներում։ «Երբ մենք թույլ տվեցինք AI-ին ստանալ տիեզերքի եռաչափ տեսք, այն իսկապես բարելավեց ճշգրիտ որոշումներ կայացնելու նրա կարողությունը, թե կոնկրետ ինչ է երկնային օբյեկտը»:
Լայնածավալ հետազոտությունները՝ ինչպես ցամաքային, այնպես էլ տիեզերական, ինչպես օրինակ՝ Sloan Digital Sky Survey-ը (SDSS), մեծ քանակությամբ տվյալներ են ստեղծել՝ հեղափոխություն կատարելով աստղագիտության ոլորտում: Վերա Կ. Ռուբինի աստղադիտարանի, Մութ էներգիայի սպեկտրոսկոպիկ գործիքի (DESI), Էվկլիդյան տիեզերական առաքելության (ESA) կամ Ջեյմս Ուեբի տիեզերական աստղադիտակի (NASA/ESA) հետագա ուսումնասիրությունները կշարունակեն տրամադրել ավելի մանրամասն տեղեկատվություն և պատկերներ: Այնուամենայնիվ, ավանդական մեթոդներով բոլոր տվյալների վերլուծությունը կարող է ժամանակատար լինել: AI կամ մեքենայական ուսուցումը կարևոր նշանակություն կունենան այս նոր տվյալների վերլուծության և լավագույն գիտական օգտագործման համար:
Պեդրո Կունյան ասում է. «Ամենահետաքրքիր մասերից մեկը տեսնելն է, թե ինչպես է մեքենայական ուսուցումն օգնում մեզ ավելի լավ հասկանալ տիեզերքը: Մեր մեթոդաբանությունը մեզ ցույց է տալիս հնարավոր ուղին, միաժամանակ ստեղծելով նորերը: Սա աստղագիտության համար հիանալի ժամանակ է»:
Պատկերումը և սպեկտրոսկոպիկ հետազոտությունները Տիեզերքի տեսանելի բովանդակությունը հասկանալու հիմնական ռեսուրսներից են: Այս ակնարկների տվյալները մեզ թույլ են տալիս աստղերի, քվազարների և գալակտիկաների վիճակագրական ուսումնասիրություններ իրականացնել, ինչպես նաև ավելի անսովոր օբյեկտներ հայտնաբերել։
Դուք կարող եք օգնել Ուկրաինային պայքարել ռուս զավթիչների դեմ։ Դա անելու լավագույն միջոցը Ուկրաինայի զինված ուժերին միջոցների նվիրաբերումն է Savelife կամ պաշտոնական էջի միջոցով NBU.
Կարդացեք նաև.
Թողնել գրառում