كيف علمنا الذكاء الاصطناعي على التعرف على مجموعات المجرات

في الآونة الأخيرة ، مع فريق من علماء الفيزياء الفلكية ، أكملت مشروعًا كان هدفه هو البحث عن المجرات البعيدة وعناقيدها المخفية بنسيج الفضاء الخارجي. الآن سأشارككم ما قمنا به نتيجة لهذا العمل الصعب.

تحليل البيانات

المجرات ومجموعاتها هي أجسام واسعة النطاق للجزء المرئي من الكون. تقدم نتائج البحث المكرسة لهم معلومات قيمة لتوسيع مجال المعرفة حول مختلف الهياكل واسعة النطاق وتسمح لنا بتحديد ميزات تشكيل الشكل الحديث للكون. سوف أصف هذا بمزيد من التفصيل في المقالات التالية (إذا كنت مهتمًا).

لتحليل الكمية الهائلة من المعلومات القادمة من التلسكوبات ، حتى بالنسبة لوجود المجرات ، هناك حاجة إلى آلية تلقائية (أو المزيد من علماء الفلك). يمكنك كتابة برنامج يقوم بهذه المهمة. ولكن كيف تعلمها تمييز المجرات وعناقيدها عن الأجسام الأخرى في الفضاء؟

كنا محظوظين ، في الفضاء كان هناك مكان لـ "السحر" ، وبالتحديد لتأثير Sunyaev-Zeldovich ، الذي تم اكتشافه في القرن الماضي.

التأثير كما يلي: في البداية ، لا تكون فوتونات CMB نشطة مثل الكسل على فرع الأوكالبتوس ، ولكن بعد التفاعل مع الإلكترونات التي تحتوي على كمية كبيرة من الطاقة داخل الغاز ، تزداد طاقتها بسبب درجة حرارة الغاز في الكتلة ، والتي يتم تسخينها بواسطة الضغط الأديباتي أو تحت تأثير القوى الجاذبية ، أو في اصطدام المجرات وسحب المواد بين المجرات.


التين. 1. تأثير Sunyaev - Zeldovich.

من خلال زيادة الطاقة ، يزيد الفوتون من تردده وينتقل من نطاق المليمتر إلى نطاق المليمتر. في هذه اللحظة ، في اتجاه عناقيد المجرات ، الفوتونات من CMB مع درجة حرارة معينة في نطاق المليمتر ليست كافية ، لذلك ، في اتجاه عناقيد المجرات هناك تراجع فيما يتعلق بمتوسط ​​الخلفية. في نطاق ما دون المقياس ، على العكس ، هناك فائض من الفوتونات وذروة محلية.

ويتجلى ذلك على النحو التالي: تأثير الخلفية الكونية للميكروويف (أي ، ملء الكون بشكل منتظم بالإشعاع الحراري ، المشار إليه فيما بعد باسم CMB) ، الذي لوحظ على طول مجموعات المجرات ، يبدو أضعف عند الترددات المنخفضة وأكثر سطوعًا عند الترددات العالية.

وهكذا ، تحت تأثير التأثير ، يتم تحويل الخلفية إلى إشارة سلبية للترددات تحت العتبة (الشكل 2 ، الصورة على اليسار) وإشارة موجبة للترددات فوق العتبة مع عدم وجود إشارة عند تردد صفر 217 غيغاهرتز (الشكل 2 ، الصورة على اليمين). تسمح ميزة التأثير هذه لعلماء الفلك بالعثور على مجموعات من المجرات والعناقيد الفائقة في منطقة الميكروويف من الطيف.
ما ليس السحر؟


التين. 2. تأثير تأثير Sunyaev-Zeldovich على الخصائص المرئية لمجموعات المجرات

تم الحصول على أدلة تجريبية لوجود التأثير مؤخرًا عندما درس علماء الفيزياء الفلكية الطيف الكهرومغناطيسي باستخدام تلسكوب بلانك ولفتوا الانتباه إلى حقيقة أنه في بعض الترددات تبدو المنطقة المرصودة من السماء "فارغة" ، وفي حالات أخرى تظهر مجموعات كاملة من المجرات عليه.


التين. 3. هذه هي أول كتلة فائقة تكتشف باستخدام تأثير Sunyaev-Zeldovich. على اليسار الصورة التي حصل عليها بلانك. تُظهر اللوحة اليمنى الصورة التي تم الحصول عليها باستخدام مرصد XMM- نيوتن.

كل شيء رائع ، ولكن ماذا فعلنا؟

كما تعلم ، غالبًا ما تنشأ المواقف عندما تقرر القيام بشيء ما ببساطة لأنك تحبه ، على الرغم من أنك تفترض أنه لن تكون هناك حاجة إليه في المستقبل. كان نفس الوضع.

عندما كُتب نص الجزء الرئيسي من العمل ولم يكن هناك سوى وقت قليل جدًا لمعالجة النتائج ، وكان الموعد النهائي أقل من أسبوع بقليل ، جلست أمام الشاشة ولم أعرف ماذا أفعل. أحيانًا أحب حتى مثل هذه المواقف ، لأنني فيها فقط يجب أن أحل مشكلة الإستراتيجية المثلى. أدركت أنه لا يمكنني التعرف فعليًا على كمية كبيرة من البيانات (حوالي 10000 صورة) ، وخلف كتفي فقط ثلاث دورات مرت ، واحدة منها ساعدتني للتو. الدورة مخصصة للعمل مع Inception ، الشبكة العصبية التلافيفية من Google ، والتي مررت بها ذات مرة "لتطوير الذات" (الرابط في نهاية المقالة).

للعمل مع شبكة عصبية ، تم استخدام برنامج Anaconda 2 ولغة برمجة Python 2.7 ومكتبة Keras للعمل مع التعلم الآلي والبيانات الضخمة و Theano للعمل مع البيانات الرقمية.

بالطبع ، بدون نصيحة الأشخاص الذين انخرطوا في التعلم الآلي لمدة عامين ، لم يكن من الممكن القيام بذلك. لذلك ، بعد أربعة أيام ، كان لدينا برنامج للعمل مع الشبكات العصبية ذات التعلم العميق.

تتكون الشبكة من سلاسل من الطبقات التلافيفية (CL) والطبقات النقابية (PL). تسمح لك الطبقات التلافيفية باستخراج بطاقات معالم متعددة من الصور المدخلة ، وتقوم طبقات الاتحاد بتنفيذ عينة فرعية معينة على بطاقات الوظائف.

تتوافق تسلسلات الطبقات هذه مع خطوة استخلاص المعالم. لتصنيف الصور ، يكون مستوى الإخراج عبارة عن طبقة متصلة بالكامل مع عدد الوحدات يساوي عدد الفئات. تم بناء الشبكة وفقًا للبنية الأساسية مع مرحلتين من الالتفاف (نوع خاص من التحول المتكامل) وأخذ عينات فرعية متصلة بالمصنف ، كما هو موضح في الشكل.


التين. 4. معمارية الشبكة العصبية

تم التدريب الشبكي مع المعلم. يتم تجميع كتالوجات الصور للتدريب على الشبكة والمزيد من التعرف على مجموعات المجرات باستخدام GLESP ، وهو مخطط التقطيع لخرائط الميكروويف الخلفية الكونية ، مما يخلق تحللًا متعامدًا صارمًا للشاشة. لإنشاء كتالوج للتدريب على الشبكة العصبية ، تم استخدام البيانات من مهمة تلسكوب بلانك ، وكان الغرض منها هو البحث عن المجرات وعناقيدها باستخدام تأثير Sunyaev-Zel'dovich. يتم تقديم بيانات المهمة في شكل 6135 صورة تم التقاطها بترددات 100 و 143 و 217 و 353 و 545 جيجاهرتز.

يتم عرض بعض نتائج الشبكة في الشكل 5. لدينا معاملين (0.35 و 0.87). وإذا كان المعامل أكثر من 0.5 ، فإن كتلة المجرة موجودة على الصورة.
وها ، لقد وجدنا مجموعة!


التين. 5. أداء الشبكة

تم تطبيق البرنامج على كتالوج صور لأجزاء مختلفة من السماء ويقوم حاليًا بتحليلها لمعرفة وجود المجرات وعناقيدها.

في المستقبل ، سوف ندرس بمزيد من التفصيل مبدأ تأثير تأثير Sunyaev-Zeldovich على الخصائص المرئية للأجسام الكبيرة في الكون وإنشاء خوارزمية تحليلية عالمية لدراسة أكثر تفصيلاً للأجسام الفضائية.

آمل حقًا أن تأخذك هذه المقالة القصيرة دقيقة واحدة على الأقل إلى عالم الفضاء الرائع. نراكم في المقالات التالية!

روابط مفيدة:

1. دورة التأسيس
2. OVV Verkhodanov، N.V. Verkhodanova، O.S Ulakhovich et al.، Astrophysical Bulletin، Volume 73، 1، 2018
3. Ostriker ، Jeremiah P. ، Ethan T. ، Nature ، 322 (6082): 804 ، 1986
4. Passmoor S. ، Cress C. ، MNRAS ، 397 (1) ، 2009
5. تعاون بلانك ، أسترون. Astrophys.571 ، A29 ، 2014