IMAGE

تصویر: این تلسکوپ فضایی هابل تصویر از یک منطقه در Hubble Legacy زمینه شامل یک دیسک کهکشان. مشاهده بیشتر

اعتباری: ناسا/STScI

محققان در دانشگاه سانتا کروز را توسعه داده اند یک قدرتمند برنامه کامپیوتری جدید به نام الهه است که می تواند تجزیه و تحلیل فصل اطلاعات تصویر پیکسل به پیکسل به شناسایی و طبقه بندی تمام کهکشان ها و ستاره ها در مجموعه داده های بزرگ از نجوم نظرسنجی.

الهه خواب عمیق-یادگیری چارچوب است که شامل انواع مختلفی از هوش مصنوعی فن آوری های توسعه یافته برای برنامه های کاربردی مانند تصویر و گفتار به رسمیت شناختن. Brant رابرتسون استاد نجوم و فیزیک نجومی که منجر محاسباتی فیزیک نجومی گروه تحقیقاتی در دانشگاه سانتا کروز گفت: به سرعت در حال افزایش اندازه نجوم مجموعه داده ساخته شده است آن را ضروری است به طور خودکار برخی از وظایف به طور سنتی انجام شده توسط ستاره شناسان.

“وجود دارد برخی از چیزهایی که ما به سادگی نمی تواند انجام دهد به عنوان انسان بنابراین ما باید برای پیدا کردن راه هایی برای استفاده از رایانه برای مقابله با مقدار زیادی از داده ها خواهد شد که در آینده بیش از چند سال آینده از فصل بررسی, پروژه,” او گفت:.

رابرتسون کار با رایان Hausen, یک علوم کامپیوتر فارغ التحصیل و دانشجو در UCSC را Baskin دانشکده فنی و مهندسی که توسعه یافته و آزمایش شده Morpheus بیش از دو سال گذشته. با انتشار نتایج خود را ممکن است 12 در مجله اختر فیزیک مکمل سری, Hausen و رابرتسون نیز انتشار Morpheus کد عموم و ارائه آنلاین تظاهرات.

این ریخت شناسی کهکشانها از چرخش دیسک کهکشان مانند راه شیری ما به بی شکل بیضوی و spheroidal هستند در کهکشان ها می تواند به ستاره شناسان در مورد چگونه کهکشان ها شکل و تکامل در طول زمان است. در مقیاس بزرگ نظرسنجی مانند میراث نظرسنجی از فضا و زمان (LSST) انجام می شود و در ورا روبین رصدخانه در حال حاضر تحت ساخت و ساز در شیلی تولید مقدار بسیار عظیمی از داده های تصویر و رابرتسون درگیر شده است در برنامه ریزی چگونه به استفاده از این داده ها برای درک شکل گیری و تکامل کهکشان ها. LSST را بیش از 800 تصاویر پانوراما هر شب با 3.2 میلیارد پیکسل دوربین ضبط کل قابل مشاهده آسمان دو بار در هر هفته.

“تصور کنید اگر شما رفت و به ستاره شناسان و از آنها خواست به طبقه بندی میلیاردها اشیاء–چگونه می تواند از آنها احتمالا انجام این کار ؟ در حال حاضر ما قادر به به طور خودکار طبقه بندی این اشیاء و استفاده از آن اطلاعات برای یادگیری در مورد کهکشان, تکامل” رابرتسون گفت.

دیگر ستاره شناسان با استفاده از deep-تکنولوژی یادگیری به طبقه بندی کهکشان ها اما تلاش های قبلی را به طور معمول درگیر تطبیق تصویر موجود الگوریتم های تشخیص و محققان تغذیه الگوریتم سرپرستی تصاویر از کهکشان ها طبقه بندی می شود. Hausen ساخته شده Morpheus از زمین تا به طور خاص برای فصل اطلاعات تصویر و مدل با استفاده از به عنوان ورودی داده های تصویر اصلی در استاندارد دیجیتال فرمت فایل مورد استفاده توسط ستاره شناسان.

صفحه سطح طبقه بندی شده است یکی دیگر از مزیت های مهم الهه خواب رابرتسون گفت. “با مدل های دیگر, شما باید بدانید که چیزی است که وجود دارد و تغذیه مدل یک تصویر و آن را طبقه بندی کل کهکشان در یک بار” او گفت:. “الهه کشف کهکشان ها را برای شما می کند و آن را پیکسل به پیکسل بنابراین این می تواند بسیار پیچیده و تصاویر که در آن شما ممکن است یک spheroidal هستند درست در کنار یک دیسک. برای یک دیسک با یک برآمدگی مرکزی آن طبقه بندی برآمدگی به طور جداگانه. پس از آن بسیار قدرتمند است.”

برای آموزش عمیق-آموزش الگوریتم محققان با استفاده از اطلاعات از یک 2015 مطالعه که در آن ده ها تن از ستاره شناسان طبقه بندی شده حدود 10000 کهکشان ها در تصاویر تلسکوپ فضایی هابل از CANDELS بررسی. آنها سپس اعمال Morpheus به تصویر داده ها از Hubble Legacy رشته که ترکیبی از مشاهدات انجام شده توسط چندین هابل عمیق-بررسی های میدانی.

زمانی که الهه فرآیندهای یک تصویر از یک منطقه از آسمان آن را تولید یک مجموعه جدید از تصاویر که بخشی از آسمان که در آن تمام اشیاء رنگی خود را بر اساس مورفولوژی جدا کردن بعضی از اشیاء از پس زمینه و شناسایی منابع نقطه (ستاره) و انواع کهکشان ها. خروجی شامل یک سطح اعتماد به نفس برای هر یک از طبقه بندی. در حال اجرا بر روی UCSC را لوکس ابر رایانه این برنامه به سرعت در حال تولید یک صفحه-توسط-صفحه تجزیه و تحلیل برای کل مجموعه داده ها.

“الهه فراهم می کند تشخیص و ظاهری طبقه بندی فصل های اشیاء در یک سطح دانه دانه نیست که در حال حاضر وجود دارد” گفت: Hausen.

یک تجسم تعاملی از الهه مدل نتایج جستجو برای کالاهای جنوب, عمیق-میدان نظرسنجی که تصویربرداری میلیون ها کهکشان ها شده است برای عموم منتشر شد. این کار با حمایت ناسا و بنیاد ملی علوم.

###

سلب مسئولیت: AAAS و EurekAlert! مسئول صحت اخبار منتشر شده به EurekAlert! با کمک موسسات و یا برای استفاده از هر گونه اطلاعات از طریق EurekAlert سیستم.

tinyurlis.gdclck.ruulvis.netshrtco.de