• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  • Artificiell intelligens hjälper till att identifiera astronomiska objekt

    Konstnärens intryck av Euklid. Kredit:ESA/ATG medialab (rymdfarkoster); NASA, ESA, CXC, C. Ma, H. Ebeling och E. Barrett (U. Hawaii/IfA), et al. och STScI (bakgrund)

    Klassificering av himmelska föremål är ett långvarigt problem. Med källor på nästan ofattbara avstånd är det ibland svårt för forskare att skilja mellan objekt som stjärnor, galaxer, kvasarer eller supernovor.

    Instituto de Astrofísica e Ciências do Espaços (IA) forskare Pedro Cunha och Andrew Humphrey försökte lösa detta klassiska problem genom att skapa SHEEP, en maskininlärningsalgoritm som bestämmer naturen hos astronomiska källor. Andrew Humphrey (IA &University of Porto, Portugal) kommenterar:"Problemet med att klassificera himmelska föremål är mycket utmanande, när det gäller antalet och komplexiteten i universum, och artificiell intelligens är ett mycket lovande verktyg för denna typ av uppgifter. "

    Första författaren till artikeln, nu publicerad i tidskriften Astronomy &Astrophysics , Pedro Cunha, en Ph.D. student vid IA och vid Institutionen för fysik och universitetet i Porto, säger:"Detta arbete föddes som ett sidoprojekt från min MSc-uppsats. Det kombinerade lärdomarna under den tiden till ett unikt projekt."

    Andrew Humphrey, Pedro Cunhas MSc-rådgivare och nu Ph.D. co-rådgivare säger, "Det var väldigt häftigt att få ett så intressant resultat, särskilt från en masteruppsats."

    SHEEP är en övervakad maskininlärningspipeline som uppskattar fotometriska rödförskjutningar och använder denna information när de sedan klassificerar källorna som en galax, kvasar eller stjärna. "Den fotometriska informationen är den lättaste att få fram och är därför mycket viktig för att ge en första analys av de observerade källornas natur", säger Pedro Cunha.

    Animering av rymdfarkosten Euclid. Kredit:ESA/ATG medialab

    "Ett nytt steg i vår pipeline är att SHEEP, innan klassificeringen utförs, först uppskattar fotometriska rödförskjutningar, som sedan placeras i datamängden som en extra funktion för klassificeringsmodellutbildning."

    Teamet fann att inklusive rödförskjutningen och koordinaterna för objekten gjorde det möjligt för AI att förstå dem i en 3D-karta över universum, och de använde det tillsammans med färginformation för att göra bättre uppskattningar av källegenskaper. Till exempel lärde AI sig att det finns en större chans att hitta stjärnor närmare Vintergatans plan än vid de galaktiska polerna. Humphrey tillade:"När vi tillät AI att ha en 3D-vy av universum, förbättrade detta verkligen dess förmåga att fatta exakta beslut om vad varje himmelskt objekt var."

    Stora undersökningar, både mark- och rymdbaserade, som Sloan Digital Sky Survey (SDSS), har gett stora mängder data, vilket revolutionerat astronomiområdet. Framtida undersökningar, utförda av personer som Vera C. Rubin Observatory, Dark Energy Spectroscopic Instrument (DESI), rymduppdraget Euclid (ESA) eller James Webb Space Telescope (NASA/ESA) kommer att fortsätta att ge oss mer detaljerad information bildbehandling. Att analysera all data med traditionella metoder kan dock vara tidskrävande. AI eller maskininlärning kommer att vara avgörande för att analysera och göra den bästa vetenskapliga användningen av denna nya data.

    Detta arbete är en del av teamets ansträngning att utnyttja den förväntade översvämningen av data som kommer från dessa undersökningar, genom att utveckla artificiell intelligenssystem som effektivt klassificerar och karakteriserar miljarder källor.

    3D-karta över universum, gjord av eBOSS-samarbetet på SDSS. Kredit:EPFL

    Pedro Cunha säger, "En av de mest spännande delarna är att se hur maskininlärning hjälper oss att bättre förstå universum. Vår metodik visar oss en möjlig väg, medan nya skapas under processen. Det är en spännande tid för astronomi. "

    Avbildning och spektroskopiska undersökningar är en av huvudresurserna för att förstå universums synliga innehåll. Data från dessa undersökningar möjliggör statistiska studier av stjärnor, kvasarer och galaxer, och upptäckten av mer säregna föremål.

    Huvudutredaren Polychronis Papaderos säger:"Utvecklingen av avancerade maskininlärningsalgoritmer, såsom SHEEP, är en integrerad del av IA:s sammanhängande strategi mot vetenskapligt utnyttjande av oöverträffat stora uppsättningar fotometrisk data för miljarder galaxer med ESA:s rymduppdrag Euclid, planerat för uppskjutning. år 2023."

    Euclid kommer att tillhandahålla en detaljerad kartografi av universum och kasta ljus in i naturen hos den gåtfulla mörka materien och mörka energin. + Utforska vidare

    Astronomer producerar den största 3D-katalogen över galaxer




    © Vetenskap https://sv.scienceaq.com