تلسکوپ ها یاد می گیرند
تلسکوپ ها یاد می گیرند
اشتراک گذاری:
اشتراک گذاری در facebook
اشتراک گذاری در twitter
اشتراک گذاری در telegram
اشتراک گذاری در whatsapp
اشتراک گذاری در linkedin
اشتراک گذاری در email
اشتراک گذاری در print

در عالم، ساختارهای بسیار عظیمی وجود دارد که با داشتن فاصله‌ی چندین میلیون سال نوری، به سختی می‌توان آن‌ها را شناسایی کرد. از جمله این ساختارها، خوشه­های کهکشانی است. محققان دانشگاه Lancaster  برای سرعت بخشیدن به روند شناسایی این اجرام کیهانی، از هوش مصنوعی و Deep learning  کمک گرفتند. تکنیک Deep learning  که در این تحقیقات استفاده شده است،Deep-CEE(Deep Learning for Galaxy Extraction and Evaluation)  نام دارد. دانشجوی دکترای دانشگاه Lancaster، Matthew Chan درنشست اخترفیزیک انجمن ملی و سلطنتی نجوم، نتایج مقاله خود درباره یادگیری ماشین و استفاده از هوش مصنوعی را ارایه کرد.

خوشه‌های کهکشانی اجرام نادری هستند. آنها نمایانگر محیط‌هایی ‌اند که کهکشان‌ها قادرند در آنجا زندگی کنند و مطالعه بر روی آنها می‌تواند به درک بهتر ماده تاریک و انرژی تاریک کمک کند.

در طول دهه 1950، ستاره شناسی به نام George Abell ، سال‌ها با استفاده از عدسی‌های بزرگنمایی و صفحات عکاسی به جستجوی خوشه‌های کهکشانی پرداخت. او که پیشگام یافتن خوشه‌های کهکشانی شد، حدود 2 هزار صفحه عکاسی را به صورت دستی، تجزیه و تحلیل کرد. همچنین او به­‌دنبال کوچک‌ترین اثر قابل دید خوشه‌های کهکشانی بود و جزئیات مختصات نجومی مناطق متراکم کهکشان را ثبت کرد. نتایج کار او منجر به تولید فهرستی از خوشه‌های کهکشانی به نام Abell  شد.

مدل Deep-CEE  بر پایه رویکرد  Abell بنا شده است. اما در اینجا به جای آنکه از ستاره‌شناس برای تشخیص و شناسایی خوشه‌های کهکشانی کمک گرفته‌شود، از هوش مصنوعی استفاده می‌شود. هوش مصنوعی، آموزش دیده تا با نگاه کردن به عکس­های رنگی، خوشه‌های کهکشانی را شناسایی کند. این مدل شناسایی از شبکه‌های عصبی مغز انسان الگو گرفته شده است. مغز انسان برای آنکه جسمی را شناسایی کند، نورون‌های خود را فعال می‌کند تا که رنگ ها و الگوها را شناسایی کند.

Chan برای آموزش به هوش مصنوعی، ابتدا نمونه‌هایی از تصاویر و اشیای شناخته شده را به صورت مکرر به آن نشان داد تا در نهایت الگوریتم به تنهایی قادر به شناخت اجسام باشد. سپس برای درک توانایی الگوریتم برای شناسایی و طبقه‌بندی خوشه‌های کهکشانی، آزمایشی را انجام داد. این آزمایش شامل نشان دادن تصویر نجومی بود که علاوه بر خوشه‌های کهکشانی، اجرام کیهانی بسیاری نیز در آن قرار داشت.

Chan می‌گوید: “ما Deep-CEE را با موفقیت در پروژه بررسی دیجیتالی آسمان  به نام LSST اعمال کردیم. سپس از این مدل برای تلسکوپ‌های بزرگ استفاده کردیم تا کاوش عمیق‌تر و دقیق‌تری را در کیهان در مناطقی که تاکنون در آنجا اکتشاف و تحقیقی صورت نگرفته است، انجام دهیم. تلسکوپ‌های پیشرفته و جدید، به ستاره‌شناسان این امکان را می‌دهد تا دقیق‌تر و گسترده‌تر نسبت به قبل به رصد بپردازند.

با خودکارکردن فرآیند اکتشاف توسط ماشین، دانشمندان می‌توانند به سرعت مجموعه‌هایی از تصاویر را اسکن کرده و پیش بینی‌های دقیق را بر روی آن‌ها انجام دهند. این کار برای تجزیه و تحلیل داده‌ها در آینده بسیار ضروری خواهد بود. برای مثال در پروژه بررسی دیجیتالی آسمان که قرار است در سال 2021 به صورت آنلاین آغاز شود، آسمان کل نیمکره جنوبی تصویر برداری شده و هرشب حدود 15 ترابایت داده به دانشمندان ارایه می‌دهد.

تکنیک‌های استخراج داده مانند Deep Learning  به دانشمندان کمک می‌کند تا خروجی‌های تلسکوپ‌ها را تحلیل و آنالیز کنند. آنها انتظار دارند که این روش به یافتن هزاران خوشه کهکشانی منجر شود که تا به حال توسط هیچ دانشمندی دیده نشده است.

منبع: www.sciencedaily.com

مریم اصغری، آریا صبوری

تبلیغات هوشمند
درباره تکانه

مجله علم و فناوری تکانه یک مجله با رویکرد علمی و ترویجی است. این مجله هدف خود را ترویج دانش در میان عموم علاقمندان به علم و فناوری می‌داند و تلاش می‌کند با یاری جمعی از روزنامه‌نگاران علم با سابقه کشور به عنوان همکاران تحریریه خود، بتواند علاقمندان به جهان علم را با کمک علوم و فناوری‌های نوین و به روشی جذاب از آخرین رویدادها و دستاوردهای دنیای علم آگاه سازد. دوره‌های آموزشی، رویدادهای علمی و ترویجی، نشست‌های تخصصی در علومی مانند رباتیک، مکاترونیک، هوش مصنوعی، اینترنت اشیا، علوم شهروندی و… از سرفصلهای اصلی فعالیت‌های مجله تکانه است.

اینستاگرام

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *