Görmesi zor galaksileri incelerken makine öğreniminin sınırlamaları vardır
Son birkaç yıldır haberlerin en büyük konularından biri yapay zekadaki gelişmeler oldu. Birçok kişi yapay zekayı düşündüğünde aklına ChatGPT gibi büyük dil modelleri geliyor Veya DALL·E gibi üretken sanat programları. Gökbilimciler, manuel olarak incelenmesi uzun zaman alacak devasa veri kümelerini incelemek için çeşitli yapay zeka araçlarını kullanıyor. Makine öğrenimi algoritmalarıRobotlar veya makine öğrenimi olarak bilinen şey, verileri almak, araştırmacıların daha önceki vaka çalışmalarından eğittiği belirli parametreleri kullanarak analiz etmek ve sonuçları farklı kategorilere ayırmak için tasarlanmıştır. Örneğin gökbilimciler, gökyüzü araştırmalarında tespit edilmesi zor olan önemli özellikleri ve desenleri belirlemek için robotları kullanıyor. Ancak bu yöntemlerin nesnelerin uzayda sınıflandırılmasına getirdiği sınırlamalar tam olarak anlaşılamamıştır.
Bu sınırlamaları belirlemek için Şili’deki La Serena Üniversitesi’nden Pamela Marchant-Cortes başkanlığındaki bir bilim insanı ekibi, makine öğreniminin yeteneklerini test etti. 2021 yılında diğer araştırmacılar tarafından geliştirildi.. Test ettikleri makine öğrenimi, şu şekilde bilinen bir dizi sınıflandırma yöntemini kullandı: rotasyon ormanı, rastgele orman, Ve Logit geliştirme Samanyolu dışındaki nesneleri boyutlarına, şekillerine, parlaklıklarına ve renklerine göre üç geniş kategoriye ayırmak. Çeşitli renklerde soluk bireysel noktalara sahip küçük nesneleri yıldızlar, gökyüzünün bir kısmına uzanan büyük, parlak nesneleri galaksiler ve çok parlak mavi renkli bireysel noktalara sahip küçük nesneleri kuasar veya kuasar olarak sınıflandırdılar. Kuasarlar.
Ekip, bu robotun, kendilerinin ve diğer insanların daha önce manuel olarak sınıflandırdığı gökyüzündeki nesneleri doğru bir şekilde sınıflandırıp sınıflandıramayacağını bilmek istedi. Çalışmanın sorunu, ekibin robotun sınıflandırmasını istediği tanımlanamayan nesnelerin, Samanyolu diskindeki toz nedeniyle puslu hale gelen gökyüzünün kalabalık bir bölgesinde bulunmasıydı. Gökbilimciler bu bölgeyi şöyle adlandırıyor: Alandan kaçının Veya Zoa bölgesi. Marchant-Curtis ekibi, Zoa’nın hali hazırda incelenmesi zor bir bölge olduğunu ancak makine öğrenimini, toz tarafından en çok gizlenen orta dalga boyundaki ışık kullanılarak çekilen görüntülerle sınırlandırarak bunu daha da zorlaştırdıklarını açıkladı. Yakın kızılötesi ışık. Tipik olarak gökbilimciler, birkaç farklı ışık türü kullanılarak hedef alanın net bir görünümüyle çekilen görüntülerde makine öğrenimini kullanır, ancak bu araştırmacılar, makine öğreniminin kötü koşullar altında sınırlı referans malzemesiyle ne kadar iyi performans gösterdiğini test etti.
Marchant-Curtis ekibi, yakın kızılötesinde otomatik programları tarafından analiz edilen verilerle gökyüzünün aynı bölümlerinden alınan kısa dalga boylu X-ışını görüntülerini kullanarak galaktik diskin belirli bir bölgesindeki 15.423 nesneyi manuel olarak tanımlamayı başardı. X ışınları, bir doktorun röntgen çekmesi sırasında insan derisine ve kaslarına nüfuz ettiği gibi toza nüfuz ederek Samanyolu’nun ötesindeki nesnelerin daha net görüntülerini sağlar. Dolayısıyla hem bilim insanları hem de onların otomatik yazılımları, göze çarpan özellikleri sırasıyla daha keskin ve daha belirsiz hale getirmek için tasarlanmış farklı filtrelerden geçirilen aynı yerlerin görüntülerini inceledi. Ekip bu nesnelerin 1.666’sını yıldız, 9.726’sını galaksi ve 4.031’ini kuasar olarak sınıflandırdı.
İstatistiksel analiz kullanan araştırmacılar, sınıflandırmaları ve gökyüzündeki konumları açısından 10.000 galaksiden yaklaşık 5.000’ini doğru bir şekilde tanımladıklarını gösterdi. Tanımlayabildikleri bu galaksilerin sayısını yapay zekayla karşılaştırdılar çünkü galaksiler büyük ve arka plandaki veya ön plandaki nesnelerden ayırt edilmesi daha kolay olması gereken benzersiz şekillere sahipler. Araştırmacılar, yapay zekanın, insanların yaptığı gibi nesnelerin sayısını doğru şekilde tespit edemediğini buldu. Ekibin kesin olarak tanımladığı yaklaşık 5.000 galaksiden yapay zeka, yalnızca 4 galaksiyi aynı konumlarda buldu; başarı oranı %0,08’di. Ayrıca yapay zeka, ekip tarafından belirlenen toplam 15.423 nesnenin 6.497’sinde hiçbir şey fark edemedi; bu oran %40’ın üzerindeydi.
Marchant-Curtis’in ekibi, ZoA nesnelerini sürekli olarak kategorilere ayırmanın astronomideki standart yapay zeka yöntemlerinin mevcut kapasitesinin ötesinde olduğu sonucuna vardı. Makine öğreniminin orijinal yaratıcılarının, makine öğrenimini yalnızca yakın kızılötesi görüntüleri kullanmak yerine, X ışınlarını, insanların görebildiği optik ışığı ve yakın kızılötesi görüntüleri karşılaştırmak üzere tasarlamış olmaları nedeniyle bu zorluklardan bazılarının ortaya çıkmasını bekliyorlardı. Ekip, bir gün bu araçların gökbilimcilerin evrenin görülmesi zor bölgelerini haritalandırmasına yardımcı olabileceğini öne sürdü. Bununla birlikte, gelecekteki bilim adamlarının yapay zekalarını, doğruluğunu artırmak için ışığın çeşitli dalga boyu aralıklarında karşılaştırmalar içeren çeşitli, temsili örnek kümeleri üzerinde eğitmelerini öneriyorlar.
Gönderi görüntüleme sayısı: 85
