Ang pag-uuri ng mga bagay na makalangit ay isang sinaunang problema. Sa mga mapagkukunan sa halos hindi kapani-paniwalang mga distansya, ang mga mananaliksik kung minsan ay nahihirapang makilala ang mga bagay tulad ng mga bituin, kalawakan, quasar, o supernovae. Sinubukan ng mga mananaliksik ng Instituto de Astrofísica e Ciências do Espaço (IA) na sina Pedro Cunha at Andrew Humphrey na lutasin ang klasikong problema sa pamamagitan ng paglikha ng SHEEP, isang machine learning algorithm na tumutukoy sa likas na katangian ng mga astronomical na mapagkukunan. Si Andrew Humphrey (IA at Unibersidad ng Porto, Portugal) ay nagkomento: "Ang problema sa pag-uuri ng mga bagay sa kalangitan ay napakahirap sa mga tuntunin ng bilang at pagiging kumplikado ng sansinukob, at ang artificial intelligence ay isang napaka-promising na tool para sa gayong mga gawain."
Ang SHEEP ay isang pinangangasiwaang machine learning pipeline na tinatantya ang mga photometric redshift at ginagamit ang impormasyong ito upang kasunod na uriin ang mga source bilang mga galaxy, quasar, o mga bituin. Bago isagawa ang pag-uuri, tinatantya muna ng SHEEP ang mga photometric redshift, na pagkatapos ay ilalagay sa dataset bilang karagdagang feature para sanayin ang modelo ng pag-uuri.
Nalaman ng team na ang pagsasama ng redshift at mga coordinate ng mga bagay ay nagpapahintulot sa artificial intelligence (AI) na makilala ang mga ito sa isang XNUMXD na mapa ng uniberso, at ginamit nila ito kasama ng impormasyon ng kulay upang mas mahusay na matantya ang mga katangian ng pinagmulan. Halimbawa, nalaman ng AI na ang posibilidad na makahanap ng mga bituin na mas malapit sa eroplano ng Milky Way ay mas mataas kaysa sa mga galactic pole. Idinagdag ni Humphrey: "Nang pinahintulutan namin ang AI na makakuha ng three-dimensional na view ng uniberso, talagang pinahusay nito ang kakayahang gumawa ng mga tumpak na desisyon tungkol sa kung ano talaga ang isang celestial na bagay."
Ang mga malalaking survey, parehong ground-based at space-based, tulad ng Sloan Digital Sky Survey (SDSS), ay nakagawa ng malaking halaga ng data, na nagpapabago sa larangan ng astronomiya. Ang mga pag-aaral sa hinaharap ng Vera K. Rubin Observatory, ang Dark Energy Spectroscopic Instrument (DESI), ang Euclid space mission (ESA), o ang James Webb Space Telescope (NASA/ESA) ay patuloy na magbibigay ng mas detalyadong impormasyon at imaging. Gayunpaman, ang pagsusuri sa lahat ng data gamit ang mga tradisyunal na pamamaraan ay maaaring magtagal. Ang AI o machine learning ay magiging kritikal sa pagsusuri at paggawa ng pinakamahusay na siyentipikong paggamit ng bagong data na ito.
Sabi ni Pedro Cunha, “Isa sa mga pinakakapana-panabik na bahagi ay ang makita kung paano tinutulungan tayo ng machine learning na mas maunawaan ang uniberso. Ang aming pamamaraan ay nagpapakita sa amin ng isang posibleng landas, habang gumagawa ng mga bago sa proseso. Ito ay isang natitirang oras para sa astronomiya."
Ang imaging at spectroscopic na pag-aaral ay isa sa mga pangunahing mapagkukunan para sa pag-unawa sa mga nakikitang nilalaman ng uniberso. Ang data ng mga review na ito ay nagbibigay-daan sa amin na magsagawa ng mga istatistikal na pag-aaral ng mga bituin, quasar at kalawakan, pati na rin ang pagtuklas ng higit pang mga hindi pangkaraniwang bagay.
Matutulungan mo ang Ukraine na labanan ang mga mananakop na Ruso. Ang pinakamahusay na paraan upang gawin ito ay ang mag-abuloy ng mga pondo sa Armed Forces of Ukraine sa pamamagitan ng Savelife o sa pamamagitan ng opisyal na pahina NBU.
Basahin din: