Astronomen hebben een computerprogramma ontworpen en getraind dat in slechts enkele seconden tienduizenden sterrenstelsels kan classificeren. een taak die meestal maanden in beslag neemt.

In onderzoek dat vandaag is gepubliceerd, astrofysici uit Australië hebben machinaal leren gebruikt om een ​​proces te versnellen dat vaak handmatig wordt gedaan door astronomen en burgerwetenschappers over de hele wereld.

"Galaxies zijn er in verschillende soorten en maten, " zei hoofdauteur Mitchell Cavanagh, een doctoraat kandidaat gebaseerd op het knooppunt van de University of Western Australia van het International Centre for Radio Astronomy Research (ICRAR).

"Het classificeren van de vormen van sterrenstelsels is een belangrijke stap in het begrijpen van hun vorming en evolutie, en kan zelfs licht werpen op de aard van het heelal zelf."

Cavanagh zei dat met grotere onderzoeken van de lucht die de hele tijd plaatsvinden, astronomen verzamelen te veel sterrenstelsels om alleen te bekijken en te classificeren.

"We hebben het over enkele miljoenen sterrenstelsels in de komende jaren. Soms worden burgerwetenschappers gerekruteerd om te helpen bij het classificeren van sterrenstelsels in projecten zoals Galaxy Zoo, maar dit heeft nog tijd nodig."

Dit is waar convolutionele neurale netwerken, of CNN's, kom binnen. In de hightech wereld van vandaag, dit soort computerprogramma's zijn overal, gebruikt in alles van medische beeldvorming, aandelenmarkten en data-analyse, hoe Netflix aanbevelingen genereert op basis van je kijkgeschiedenis.

In recente jaren, CNN's beginnen een bredere acceptatie in de astronomie te zien. De meeste bestaande CNN's die astronomen gebruiken, zijn binair - is dit een spiraalstelsel of niet? Maar deze nieuwe CNN gebruikt classificatie met meerdere klassen - is dit een elliptische, lensvormig, spiraal, of onregelmatig sterrenstelsel? - met meer nauwkeurigheid dan de bestaande binaire netwerken.

Cavanagh zei dat machine learning steeds vaker voorkomt in de astronomie.

"Het enorme voordeel van neurale netwerken is snelheid. Enquêtebeelden die anders maanden zouden hebben geduurd om door mensen te worden geclassificeerd, kunnen in plaats daarvan in slechts enkele minuten worden geclassificeerd."

"Met een standaard grafische kaart, we kunnen classificeren 14, 000 sterrenstelsels in minder dan drie seconden."

"Deze neurale netwerken zullen niet per se beter zijn dan mensen, omdat ze door mensen zijn getraind, maar ze komen in de buurt met een nauwkeurigheid van meer dan 80%, en tot 97% bij het classificeren tussen elliptische trainers en spiralen."

"Als je een groep astronomen in een kamer plaatst en hen vraagt ​​een aantal afbeeldingen te classificeren, er zullen vrijwel zeker meningsverschillen zijn. Deze inherente onzekerheid is de beperkende factor in elk AI-model dat is getraind op gelabelde gegevens."

Een groot voordeel van deze nieuwe AI is dat de onderzoekers meer dan 100, 000, 000 sterrenstelsels op verschillende afstanden (of roodverschuivingen) van de aarde en in verschillende omgevingen (groepen, clusters enz.). Dit zal hen helpen begrijpen hoe sterrenstelsels in de loop van de tijd worden getransformeerd, en waarom het in bepaalde omgevingen kan gebeuren.

De CNN's die de heer Cavanagh heeft ontwikkeld, zijn niet alleen voor astronomie. Ze kunnen worden hergebruikt voor gebruik in vele andere gebieden, zolang ze een dataset hebben die groot genoeg is om mee te trainen.

"CNN's zullen een steeds belangrijkere rol spelen in de toekomst van gegevensverwerking, vooral omdat velden als astronomie worstelen met de uitdagingen van big data, " hij zei