Debesu objektu klasifikācija ir sena problēma. Tā kā avoti atrodas gandrīz neticamā attālumā, pētniekiem dažreiz ir grūti atšķirt tādus objektus kā zvaigznes, galaktikas, kvazāri vai supernovas. Instituto de Astrofísica e Ciências do Espaço (IA) pētnieki Pedro Cunha un Andrew Humphrey mēģināja atrisināt klasisko problēmu, izveidojot SHEEP — mašīnmācīšanās algoritmu, kas nosaka astronomisko avotu raksturu. Endrjū Hamfrijs (IA un Porto Universitāte, Portugāle) komentē: "Debesu objektu klasificēšanas problēma ir ļoti sarežģīta Visuma skaita un sarežģītības ziņā, un mākslīgais intelekts ir ļoti daudzsološs instruments šādu uzdevumu veikšanai."
SHEEP ir uzraudzīts mašīnmācīšanās cauruļvads, kas novērtē fotometriskās sarkanās nobīdes un izmanto šo informāciju, lai vēlāk klasificētu avotus kā galaktikas, kvazāri vai zvaigznes. Pirms klasifikācijas veikšanas SHEEP vispirms novērtē fotometriskās sarkanās nobīdes, kuras pēc tam tiek ievadītas datu kopā kā papildu līdzeklis, lai apmācītu klasifikācijas modeli.
Komanda atklāja, ka objektu sarkanās nobīdes un koordinātu iekļaušana ļāva mākslīgajam intelektam (AI) tos identificēt Visuma XNUMXD kartē, un viņi to izmantoja kopā ar krāsu informāciju, lai labāk novērtētu avota īpašības. Piemēram, mākslīgais intelekts ir uzzinājis, ka varbūtība atrast zvaigznes tuvāk Piena Ceļa plaknei ir lielāka nekā galaktikas polios. Hamfrijs piebilda: "Kad mēs ļāvām AI iegūt trīsdimensiju skatu uz Visumu, tas patiešām uzlaboja tā spēju pieņemt precīzus lēmumus par to, kas tieši ir debess objekts."
Liela mēroga apsekojumi, gan uz zemes, gan kosmosā, piemēram, Sloan Digital Sky Survey (SDSS), ir radījuši lielu datu apjomu, radot revolūciju astronomijas jomā. Turpmākie pētījumi, ko veiks Vera K. Rubina observatorija, Tumšās enerģijas spektroskopiskais instruments (DESI), Eiklida kosmosa misija (ESA) vai Džeimsa Veba kosmiskais teleskops (NASA/ESA), turpinās sniegt detalizētāku informāciju un attēlus. Tomēr visu datu analīze, izmantojot tradicionālās metodes, var būt laikietilpīga. AI vai mašīnmācība būs ļoti svarīga, lai analizētu un pēc iespējas labāk izmantotu šos jaunos datus.
Pedro Cunha saka: "Viena no aizraujošākajām daļām ir redzēt, kā mašīnmācīšanās palīdz mums labāk izprast Visumu. Mūsu metodoloģija parāda iespējamo ceļu, vienlaikus veidojot jaunus. Šis ir izcils laiks astronomijai."
Attēlveidošana un spektroskopiskie pētījumi ir viens no galvenajiem resursiem Visuma redzamā satura izpratnei. Šo pārskatu dati ļauj veikt zvaigžņu, kvazāru un galaktiku statistiskos pētījumus, kā arī atklāt neparastākus objektus.
Jūs varat palīdzēt Ukrainai cīnīties pret krievu iebrucējiem. Labākais veids, kā to izdarīt, ir ziedot līdzekļus Ukrainas bruņotajiem spēkiem Savelife vai izmantojot oficiālo lapu NBU.
Lasi arī: