Wetenschap
Artist's impression van Euclides. Credit:ESA/ATG medialab (ruimtevaartuig); NASA, ESA, CXC, C. Ma, H. Ebeling en E. Barrett (U. Hawaii/IfA), et al. en STScI (achtergrond)
Het classificeren van hemellichamen is een al lang bestaand probleem. Met bronnen op bijna onvoorstelbare afstanden, is het soms moeilijk voor onderzoekers om onderscheid te maken tussen objecten zoals sterren, sterrenstelsels, quasars of supernova's.
Instituto de Astrofísica e Ciências do Espaço's (IA) onderzoekers Pedro Cunha en Andrew Humphrey probeerden dit klassieke probleem op te lossen door SHEEP te creëren, een algoritme voor machinaal leren dat de aard van astronomische bronnen bepaalt. Andrew Humphrey (IA &Universiteit van Porto, Portugal) merkt op:"Het probleem van het classificeren van hemellichamen is zeer uitdagend, in termen van de aantallen en de complexiteit van het universum, en kunstmatige intelligentie is een veelbelovend hulpmiddel voor dit soort taken. "
De eerste auteur van het artikel, nu gepubliceerd in het tijdschrift Astronomy &Astrophysics , Pedro Cunha, een Ph.D. student aan IA en in het departement Natuurkunde en de Universiteit van Porto, zegt:"Dit werk is geboren als een nevenproject van mijn MSc-scriptie. Het combineerde de lessen die in die tijd zijn geleerd tot een uniek project."
Andrew Humphrey, Pedro Cunha's MSc-adviseur en nu Ph.D. co-adviseur zegt:"Het was heel gaaf om zo'n interessant resultaat te krijgen, vooral uit een masterproef."
SHEEP is een gesuperviseerde machine learning-pijplijn die fotometrische roodverschuiving schat en deze informatie gebruikt bij het vervolgens classificeren van de bronnen als een sterrenstelsel, quasar of ster. "De fotometrische informatie is het gemakkelijkst te verkrijgen en daarom is het erg belangrijk om een eerste analyse te geven over de aard van de waargenomen bronnen", zegt Pedro Cunha.
"Een nieuwe stap in onze pijplijn is dat SHEEP, voorafgaand aan het uitvoeren van de classificatie, eerst fotometrische roodverschuivingen schat, die vervolgens in de dataset worden geplaatst als een extra functie voor classificatiemodeltraining."
Het team ontdekte dat het gebruik van de roodverschuiving en de coördinaten van de objecten de AI in staat stelde om ze te begrijpen binnen een 3D-kaart van het universum, en ze gebruikten dat samen met kleurinformatie om betere schattingen van broneigenschappen te maken. De AI ontdekte bijvoorbeeld dat er een grotere kans is om sterren dichter bij het Melkwegvlak te vinden dan bij de galactische polen. Humphrey voegde toe:"Toen we de AI toestonden om een 3D-weergave van het universum te hebben, verbeterde dit zijn vermogen om nauwkeurige beslissingen te nemen over wat elk hemellichaam was."
Grootschalige onderzoeken, zowel op de grond als in de ruimte, zoals de Sloan Digital Sky Survey (SDSS), hebben grote hoeveelheden gegevens opgeleverd, wat een revolutie teweegbracht op het gebied van astronomie. Toekomstige onderzoeken, uitgevoerd door onder meer het Vera C. Rubin Observatory, het Dark Energy Spectroscopic Instrument (DESI), de Euclid (ESA) ruimtemissie of de James Webb Space Telescope (NASA/ESA) zullen ons steeds meer gedetailleerde informatie geven. in beeld brengen. Het analyseren van alle gegevens met behulp van traditionele methoden kan echter tijdrovend zijn. AI of machine learning zal cruciaal zijn voor het analyseren en optimaal wetenschappelijk gebruik van deze nieuwe gegevens.
Dit werk maakt deel uit van de inspanningen van het team om de verwachte stortvloed aan gegevens uit die onderzoeken te benutten door kunstmatige-intelligentiesystemen te ontwikkelen die miljarden bronnen efficiënt classificeren en karakteriseren.
3D-kaart van het heelal, gemaakt door de eBOSS-samenwerking bij SDSS. Krediet:EPFL
Pedro Cunha zegt:"Een van de meest opwindende onderdelen is om te zien hoe machine learning ons helpt om het universum beter te begrijpen. Onze methodologie laat ons een mogelijk pad zien, terwijl er tijdens het proces nieuwe worden gecreëerd. Het is een opwindende tijd voor de astronomie. "
Beeldvorming en spectroscopisch onderzoek zijn een van de belangrijkste bronnen voor het begrijpen van de zichtbare inhoud van het universum. De gegevens van deze onderzoeken maken statistische studies van sterren, quasars en sterrenstelsels mogelijk, en de ontdekking van meer eigenaardige objecten.
Hoofdonderzoeker Polychronis Papaderos zegt:"De ontwikkeling van geavanceerde Machine Learning-algoritmen, zoals SCHAPEN, is een integraal onderdeel van IA's coherente strategie voor wetenschappelijke exploitatie van ongekend grote sets fotometrische gegevens voor miljarden sterrenstelsels met ESA's Euclid-ruimtemissie, gepland voor lancering in 2023."
Euclid zal een gedetailleerde cartografie van het universum geven en licht werpen op de aard van de raadselachtige donkere materie en donkere energie. + Verder verkennen
Wetenschap © https://nl.scienceaq.com