[Vui lòng đăng ký trang Youtube của Pacific Group tại
https://www.youtube.com/channel/UCAxje1GxiUpZD6MEcR0f5Jg/videos
Chúng tôi có các buổi chia sẻ về kinh doanh thực tế hàng tuần]
Trí tuệ nhân tạo giúp nhận dạng các đối tượng thiên văn
bởi Instituto de Astrofísica e Ciências do Espaço
Ấn tượng của nghệ sĩ về Euclid. Ảnh: ESA / ATG medialab (tàu vũ trụ); NASA, ESA, CXC, C. Ma, H. Ebeling và E. Barrett (U. Hawaii / IfA), et al. và STScI (nền)
Phân loại các thiên thể là một vấn đề lâu đời. Với các nguồn phát ở khoảng cách gần không thể tưởng tượng, đôi khi các nhà nghiên cứu khó phân biệt giữa các vật thể như sao, thiên hà, chuẩn tinh hay siêu tân tinh.
Các nhà nghiên cứu Pedro Cunha và Andrew Humphrey của Instituto de Astrofísica e Ciências do Espaço (IA) đã cố gắng giải quyết vấn đề cổ điển này bằng cách tạo ra SHEEP, một thuật toán máy học xác định bản chất của các nguồn thiên văn. Andrew Humphrey (IA & Đại học Porto, Bồ Đào Nha) nhận xét: “Vấn đề phân loại các thiên thể rất thách thức, về số lượng và độ phức tạp của vũ trụ, và trí tuệ nhân tạo là một công cụ rất hứa hẹn cho loại nhiệm vụ này. "
Tác giả đầu tiên của bài báo, hiện đã được đăng trên tạp chí Astronomy & Astrophysics, Pedro Cunha, một Ph.D. sinh viên tại IA và Khoa Vật lý và Đại học Porto, nói, "Công trình này được sinh ra như một dự án phụ từ luận án Thạc sĩ của tôi. Nó kết hợp những bài học kinh nghiệm trong thời gian đó thành một dự án độc đáo."
Andrew Humphrey, cố vấn MSc của Pedro Cunha và hiện là Tiến sĩ. đồng cố vấn nói, "Thật tuyệt khi có được một kết quả thú vị như vậy, đặc biệt là từ một luận văn thạc sĩ."
SHEEP là một hệ thống máy học được giám sát nhằm ước tính dịch chuyển đỏ của trắc quang và sử dụng thông tin này khi phân loại các nguồn sau đó là thiên hà, chuẩn tinh hoặc sao. Pedro Cunha nói: “Thông tin trắc quang là thông tin dễ lấy nhất và do đó rất quan trọng để đưa ra phân tích đầu tiên về bản chất của các nguồn quan sát.
"Một bước mới trong quy trình của chúng tôi là trước khi thực hiện phân loại, SHEEP đầu tiên ước tính dịch chuyển đỏ trắc quang, sau đó được đưa vào tập dữ liệu như một tính năng bổ sung để đào tạo mô hình phân loại."
Nhóm nghiên cứu nhận thấy rằng việc bao gồm dịch chuyển đỏ và tọa độ của các đối tượng cho phép AI hiểu chúng trong bản đồ 3D của vũ trụ và họ sử dụng điều đó cùng với thông tin màu sắc để ước tính tốt hơn các thuộc tính nguồn. Ví dụ, AI đã học được rằng cơ hội tìm thấy các ngôi sao gần mặt phẳng Dải Ngân hà hơn là ở các cực thiên hà. Humphrey nói thêm: "Khi chúng tôi cho phép AI có chế độ xem 3D về vũ trụ, điều này thực sự đã cải thiện khả năng đưa ra quyết định chính xác của từng thiên thể."
Các cuộc khảo sát diện rộng, cả trên mặt đất và không gian, như Khảo sát Bầu trời Kỹ thuật số Sloan (SDSS), đã mang lại khối lượng lớn dữ liệu, cách mạng hóa lĩnh vực thiên văn học. Các cuộc khảo sát trong tương lai, được thực hiện bởi Đài quan sát Vera C. Rubin, Dụng cụ Quang phổ Năng lượng Tối (DESI), sứ mệnh không gian Euclid (ESA) hoặc Kính viễn vọng Không gian James Webb (NASA / ESA) sẽ tiếp tục cung cấp cho chúng ta chi tiết hơn hình ảnh. Tuy nhiên, việc phân tích tất cả dữ liệu bằng các phương pháp truyền thống có thể tốn nhiều thời gian. AI hoặc máy học sẽ rất quan trọng để phân tích và sử dụng một cách khoa học nhất dữ liệu mới này.
Công việc này là một phần trong nỗ lực của nhóm nhằm khai thác lượng dữ liệu dự kiến thu được từ các cuộc khảo sát đó, bằng cách phát triển các hệ thống trí tuệ nhân tạo giúp phân loại và mô tả đặc tính của hàng tỷ nguồn một cách hiệu quả.
Bản đồ 3D của Vũ trụ, được thực hiện bởi sự hợp tác của eBOSS tại SDSS. Ảnh: EPFL
Pedro Cunha nói, "Một trong những phần thú vị nhất là thấy cách máy học đang giúp chúng ta hiểu rõ hơn về vũ trụ. Phương pháp luận của chúng tôi chỉ cho chúng ta một con đường khả thi, trong khi những con đường mới được tạo ra trong quá trình này. Đây là thời điểm thú vị cho thiên văn học. "
Các cuộc khảo sát bằng hình ảnh và quang phổ là một trong những nguồn chính để hiểu nội dung hữu hình của vũ trụ. Dữ liệu từ các cuộc khảo sát này cho phép nghiên cứu thống kê về các ngôi sao, chuẩn tinh và thiên hà, đồng thời phát hiện ra các vật thể đặc biệt hơn.
Điều tra viên chính Polychronis Papaderos cho biết, "Sự phát triển của các thuật toán Học máy tiên tiến, chẳng hạn như SHEEP, là một phần không thể thiếu trong chiến lược chặt chẽ của IA hướng tới việc khai thác khoa học bộ dữ liệu trắc quang lớn chưa từng có cho hàng tỷ thiên hà với sứ mệnh không gian Euclid của ESA, dự kiến ra mắt vào năm 2023. "
Euclid sẽ cung cấp bản đồ chi tiết của vũ trụ và làm sáng tỏ bản chất của vật chất tối bí ẩn và năng lượng tối.
