Teave

Deep-CEE: tehisintellekti mudel, mis aitab astronoomidel leida galaktikakobaraid

Deep-CEE: tehisintellekti mudel, mis aitab astronoomidel leida galaktikakobaraid

Galaktikakobarad, mis koosnevad mitmest galaktikast, mis on seotud gravitatsiooni ja tumeda ainega, on universumi hiiglased.

Asjade perspektiivi vaatamiseks on meie enda Linnutee galaktika hinnanguliselt umbes koduks 250 miljardit tähed.

Probleem on selles, et vaatamata miljonite valgusaastate läbimisele, kipuvad need olema ka meist miljonite valgusaastate kaugusel, mistõttu astronoomidel on neid raske märgata.

Sisenema Deep-CEE (sügav õppimine Galaxy klastri väljavõtmiseks ja hindamiseks), sügava õppimise tehnika, mille on välja töötanud Lancasteri ülikooli teadlased. Tehisintellekt ehitati galaktikaparvede leidmiseks palju kiiremini, kui ükski inimene suudaks.

SEOTUD: AI ÜLIKOOLI simulaator on nii täpne, et selle loojad ei saa sellest täielikult aru

Tumeda aine mõistmine

Teadlased on leidnud, et galaktikaparvede peamine seos on tumeaine. Sellisena võib nende äärmuslike keskkondade kohta lisateabe saamine aidata meil paremini mõista tumeaine ja tumeda energia salapäraseid omadusi.

1950. aastatel leidis astronoom George Abell galaktikaparvede Abelli kataloogi pärast umbes 2,00 vaadeldava universumi fotoplaatide analüüsimist.

Lancasteri ülikooli doktorandi Matthew Chani ehitatud Deep-CEE tugineb Abelli lähenemisviisile, kuid asendab astronoomi tehisintellekti mudeliga, mis on koolitatud värvipiltide otsimiseks galaktikaparvede tuvastamiseks.

Tehisintellekti koolitati näidatud märgistatud tuntud objektide näidetega, kuni ta suutis objekte ise seostada. Pilootkatsed näitasid siis Deep-CEE võimet treenida galaktikaparvedele.

Tohutu hulk andmeid

"Oleme Delo-CEE-d edukalt rakendanud Sloani digitaalse taeva uuringus," ütles Chan pressiteates. "Lõpuks viime oma mudeli kasutusele revolutsioonilistes uuringutes, nagu näiteks suur sünoptilise uuringu teleskoop (LSST), mis uurib laiemalt ja sügavamalt Universumi piirkondi, mida pole kunagi varem uuritud.

Teleskoobid genereerivad igapäevaselt tohutul hulgal andmeid. Näiteks eelseisev LSST taevaküsitlus (mis peaks toimuma aastal 2021) genereerib igal õhtul hinnanguliselt 15 TB andmeid, et kujutada kogu lõunapoolkera taevast.

"Andmekaevandustehnikad, nagu sügav õppimine, aitavad meil analüüsida tänapäevaste teleskoopide tohutut väljundit," ütleb dr John Stott (Chani doktorijuhendaja). "Eeldame, et meie meetod leiab tuhandeid klastreid, mida teadus pole kunagi varem näinud".

Chan kavatseb 4. juulil kell 15.45 seansil "Masinaõppimine astrofüüsikas" tutvustada oma tehisintellekti mudelit ja oma dokumendi "Galaktikakobarate püüdmine" Deep-CEE "närvivõrkudega" tulemusi.