Η ταξινόμηση των ουράνιων αντικειμένων είναι ένα αρχαίο πρόβλημα. Με πηγές σε σχεδόν απίστευτες αποστάσεις, οι ερευνητές μερικές φορές αγωνίζονται να διακρίνουν αντικείμενα όπως αστέρια, γαλαξίες, κβάζαρ ή σουπερνόβα. Οι ερευνητές του Instituto de Astrofísica e Ciências do Espaço (IA) Pedro Cunha και Andrew Humphrey προσπάθησαν να λύσουν το κλασικό πρόβλημα δημιουργώντας το SHEEP, έναν αλγόριθμο μηχανικής μάθησης που καθορίζει τη φύση των αστρονομικών πηγών. Ο Andrew Humphrey (IA και Πανεπιστήμιο του Πόρτο, Πορτογαλία) σχολιάζει: «Το πρόβλημα της ταξινόμησης των ουράνιων αντικειμένων είναι πολύ δύσκολο όσον αφορά τον αριθμό και την πολυπλοκότητα του σύμπαντος και η τεχνητή νοημοσύνη είναι ένα πολλά υποσχόμενο εργαλείο για τέτοιες εργασίες».
Το SHEEP είναι ένας εποπτευόμενος αγωγός μηχανικής μάθησης που εκτιμά τις φωτομετρικές μετατοπίσεις στο κόκκινο και χρησιμοποιεί αυτές τις πληροφορίες για να ταξινομήσει στη συνέχεια τις πηγές ως γαλαξίες, κβάζαρ ή αστέρια. Πριν από την εκτέλεση της ταξινόμησης, το SHEEP υπολογίζει πρώτα τις φωτομετρικές μετατοπίσεις στο κόκκινο, οι οποίες στη συνέχεια τροφοδοτούνται στο σύνολο δεδομένων ως πρόσθετο χαρακτηριστικό για την εκπαίδευση του μοντέλου ταξινόμησης.
Η ομάδα διαπίστωσε ότι η συμπερίληψη της μετατόπισης προς το κόκκινο και των συντεταγμένων των αντικειμένων επέτρεψε στην τεχνητή νοημοσύνη (AI) να τα αναγνωρίσει σε έναν τρισδιάστατο χάρτη του σύμπαντος και το χρησιμοποίησαν μαζί με πληροφορίες χρώματος για να εκτιμήσουν καλύτερα τις ιδιότητες της πηγής. Για παράδειγμα, η τεχνητή νοημοσύνη έχει μάθει ότι η πιθανότητα να βρεθούν αστέρια πιο κοντά στο επίπεδο του Γαλαξία είναι μεγαλύτερη από ό,τι στους γαλαξιακούς πόλους. Ο Χάμφρεϊ πρόσθεσε: «Όταν επιτρέψαμε στο AI να έχει μια τρισδιάστατη άποψη του σύμπαντος, βελτίωσε πραγματικά την ικανότητά του να λαμβάνει ακριβείς αποφάσεις σχετικά με το τι ακριβώς είναι ένα ουράνιο αντικείμενο».
Έρευνες μεγάλης κλίμακας, τόσο επίγειες όσο και διαστημικές, όπως το Sloan Digital Sky Survey (SDSS), έχουν παράγει μεγάλο όγκο δεδομένων, φέρνοντας επανάσταση στον τομέα της αστρονομίας. Μελλοντικές μελέτες από το Παρατηρητήριο Vera K. Rubin, το Φασματοσκοπικό Όργανο Σκοτεινής Ενέργειας (DESI), τη διαστημική αποστολή Ευκλείδη (ESA) ή το διαστημικό τηλεσκόπιο James Webb (NASA/ESA) θα συνεχίσουν να παρέχουν πιο λεπτομερείς πληροφορίες και απεικόνιση. Ωστόσο, η ανάλυση όλων των δεδομένων χρησιμοποιώντας παραδοσιακές μεθόδους μπορεί να είναι χρονοβόρα. Η τεχνητή νοημοσύνη ή η μηχανική μάθηση θα είναι κρίσιμης σημασίας για την ανάλυση και την καλύτερη επιστημονική χρήση αυτών των νέων δεδομένων.
Ο Pedro Cunha λέει, «Ένα από τα πιο συναρπαστικά μέρη είναι να δούμε πώς η μηχανική μάθηση μας βοηθά να κατανοήσουμε καλύτερα το σύμπαν. Η μεθοδολογία μας μας δείχνει μια πιθανή διαδρομή, δημιουργώντας παράλληλα νέα στη διαδικασία. Αυτή είναι μια εξαιρετική στιγμή για την αστρονομία».
Η απεικόνιση και οι φασματοσκοπικές μελέτες είναι ένας από τους κύριους πόρους για την κατανόηση του ορατού περιεχομένου του σύμπαντος. Τα δεδομένα αυτών των ανασκοπήσεων μας επιτρέπουν να διεξάγουμε στατιστικές μελέτες για αστέρια, κβάζαρ και γαλαξίες, καθώς και να ανακαλύψουμε πιο ασυνήθιστα αντικείμενα.
Μπορείτε να βοηθήσετε την Ουκρανία να πολεμήσει ενάντια στους Ρώσους εισβολείς. Ο καλύτερος τρόπος για να γίνει αυτό είναι να δωρίσετε χρήματα στις Ένοπλες Δυνάμεις της Ουκρανίας μέσω Savelife ή μέσω της επίσημης σελίδας NBU.
Διαβάστε επίσης: