Máris hatalmas segítséget nyújtott egy neurális hálózat a csillagászoknak azzal, hogy 27 millió galaxist azonosított automatizált munkájának köszönhetően. A tudósok azonban itt nem állnak meg, és további 600 millió rendszerről remélnek bővebb információcsomagot kapni.
Mint égen a csillag
Többek között a sötét energia természetének jobb megértését segítheti az a még 2013-ban indult projekt, amely az egyik legambíciózusabb terv a világegyetem feltérképezésére. A Dark Energy Survey (DES) a bolygónkról megfigyelhető univerzum nagyjából nyolcadát igyekszik szuperfelbontású felvételek elemzésével feldolgozható, kutatható adattengerré változtatni. A probléma viszont adott: a vizsgálandó területen található galaxisok száma... csillagászati.
Amennyiben meg tudnánk határozni ezeknek a megfigyelt rendszereknek a pontos korát és elhelyezkedését, az jelentősen javítaná az univerzumunk működését és fejlődését feltárni igyekvő tudományos munkát. Százmilliószám rendszerezni galaxisokat viszont lehetetlen feladatnak bizonyul emberi munkával, éppen ezért jelenthet óriási minőségi ugrást a témában a mesterséges intelligencia (MI) képességeinek kamatoztatása.
Rakétasebességre kapcsolnak
Egy márciusban publikált tanulmány, amely mögött összesen több mint félszáz tudományos intézet munkatársai állnak, bővebb betekintést enged abba, miként segíti az algoritmus a DES-t. A feladathoz a gépi vizuális felismerésnél gyakran segítségül hívott konvolúciós neurális hálózatot (CNN) vetettek be, amelynek a Chile-ben felállított, 4 méter tükörátmérőjű Victor M. Blanco teleszkóp által rögzített képeket kellett analizálnia.
Az első körben az algoritmus alapozó tréninget kapott. Ennek keretében több tízezer valós és mesterségesen generált galaxis osztályozására tanították meg azok vélhető kora szerint. Majd következett annak a problémának a feloldása, hogy egy galaxis teljesen más rajzolatú attól függően, hogy honnan nézzük. A spirális elhelyezkedésű Tejútrendszerünk ismert alakzata például "oldalról" csak egy csíknak látszik. Összességében a csapat algoritmusa 97 százalékos hatékonyságot ért el, miközben a hamis negatív és hamis pozitív értékelések aránya mindössze 3-4 százalék körül mozgott a különböző teszek során.
A legnagyobb problémát a rendkívül halvány fényű, alig kivehető égi objektumok beazonosítása jelenti. Ezt úgy oldották meg a szakemberek, hogy a tanulókészlet elemeit mesterségesen elhalványították, ami tulajdonképpen a galaxis térbeli távolításának felel meg. Így viszont a neurális hálózat már képessé vált a korábbinál 50-szer több égitest katalogizálására is.
A folyamatos finomhangolásnak hála a felmérés következő szakaszában érkező felvételek átvizsgálásával további 600 millió galaxist remélnek jobban megismerni a csillagászok. Ennek a munkának köszönhetően olyan kérdésekre lehet majd válaszokat keresni, mint hogy a sötét energia felgyorsítja-e az univerzum tágulását, vagy hogy a galaxisok hogyan fejlődnek az idők során.
A NIS2-megfelelőség néhány technológiai aspektusa
A legtöbb vállalatnál a megfeleléshez fejleszteni kell a védelmi rendszerek kulcselemeit is.
CIO KUTATÁS
TECHNOLÓGIÁK ÉS/VAGY KOMPETENCIÁK?
Az Ön véleményére is számítunk a Corvinus Egyetem Adatelemzés és Informatika Intézetével közös kutatásunkban »
Kérjük, segítse munkánkat egy 10-15 perces kérdőív megválaszolásával!
Nyílt forráskód: valóban ingyenes, de használatának szigorú szabályai vannak