आकाशीय पिंडों का वर्गीकरण एक प्राचीन समस्या है। लगभग अविश्वसनीय दूरी पर स्रोतों के साथ, शोधकर्ता कभी-कभी सितारों, आकाशगंगाओं, क्वासर या सुपरनोवा जैसी वस्तुओं को अलग करने के लिए संघर्ष करते हैं। इंस्टीट्यूटो डी एस्ट्रोफिसिका ई सिएन्सियास डो एस्पाको (आईए) के शोधकर्ताओं पेड्रो कुन्हा और एंड्रयू हम्फ्री ने मशीन लर्निंग एल्गोरिदम SHEEP बनाकर क्लासिक समस्या को हल करने का प्रयास किया जो खगोलीय स्रोतों की प्रकृति को निर्धारित करता है। एंड्रयू हम्फ्रे (आईए और पोर्टो विश्वविद्यालय, पुर्तगाल) टिप्पणी करते हैं: "आकाशीय पिंडों को वर्गीकृत करने की समस्या ब्रह्मांड की संख्या और जटिलता के संदर्भ में बहुत कठिन है, और कृत्रिम बुद्धिमत्ता ऐसे कार्यों के लिए एक बहुत ही आशाजनक उपकरण है।"
SHEEP एक पर्यवेक्षित मशीन लर्निंग पाइपलाइन है जो फोटोमेट्रिक रेडशिफ्ट का अनुमान लगाती है और इस जानकारी का उपयोग बाद में स्रोतों को आकाशगंगाओं, क्वासर या सितारों के रूप में वर्गीकृत करने के लिए करती है। वर्गीकरण करने से पहले, SHEEP पहले फोटोमेट्रिक रेडशिफ्ट का अनुमान लगाता है, जिसे बाद में वर्गीकरण मॉडल को प्रशिक्षित करने के लिए एक अतिरिक्त सुविधा के रूप में डेटासेट में फीड किया जाता है।
टीम ने पाया कि वस्तुओं के रेडशिफ्ट और निर्देशांक सहित कृत्रिम बुद्धिमत्ता (एआई) ने उन्हें ब्रह्मांड के XNUMXडी मानचित्र पर पहचानने की अनुमति दी, और उन्होंने स्रोत के गुणों का बेहतर अनुमान लगाने के लिए रंग जानकारी के साथ इसका उपयोग किया। उदाहरण के लिए, एआई ने सीखा है कि आकाशगंगा के विमान के करीब सितारों को खोजने की संभावना गांगेय ध्रुवों की तुलना में अधिक है। हम्फ्री ने कहा: "जब हमने एआई को ब्रह्मांड का त्रि-आयामी दृश्य प्राप्त करने की अनुमति दी, तो इसने वास्तव में सटीक निर्णय लेने की क्षमता में सुधार किया कि वास्तव में एक खगोलीय वस्तु क्या है।"
बड़े पैमाने पर सर्वेक्षण, दोनों जमीन-आधारित और अंतरिक्ष-आधारित, जैसे स्लोअन डिजिटल स्काई सर्वे (एसडीएसएस), ने बड़ी मात्रा में डेटा का उत्पादन किया है, खगोल विज्ञान के क्षेत्र में क्रांतिकारी बदलाव किया है। वेरा के रुबिन वेधशाला, डार्क एनर्जी स्पेक्ट्रोस्कोपिक इंस्ट्रूमेंट (डीईएसआई), यूक्लिड स्पेस मिशन (ईएसए), या जेम्स वेब स्पेस टेलीस्कोप (नासा/ईएसए) द्वारा भविष्य के अध्ययन अधिक विस्तृत जानकारी और इमेजिंग प्रदान करना जारी रखेंगे। हालांकि, पारंपरिक तरीकों का उपयोग करके सभी डेटा का विश्लेषण करने में समय लग सकता है। एआई या मशीन लर्निंग इस नए डेटा का सर्वोत्तम वैज्ञानिक उपयोग करने और विश्लेषण करने के लिए महत्वपूर्ण होगा।
पेड्रो कुन्हा कहते हैं, "सबसे रोमांचक भागों में से एक यह देखना है कि कैसे मशीन लर्निंग हमें ब्रह्मांड को बेहतर ढंग से समझने में मदद करती है। प्रक्रिया में नए निर्माण करते हुए हमारी कार्यप्रणाली हमें एक संभावित मार्ग दिखाती है। यह खगोल विज्ञान के लिए एक उत्कृष्ट समय है।"
ब्रह्मांड की दृश्य सामग्री को समझने के लिए इमेजिंग और स्पेक्ट्रोस्कोपिक अध्ययन मुख्य संसाधनों में से एक हैं। इन समीक्षाओं का डेटा हमें सितारों, क्वासर और आकाशगंगाओं के सांख्यिकीय अध्ययन करने के साथ-साथ अधिक असामान्य वस्तुओं की खोज करने की अनुमति देता है।
आप यूक्रेन को रूसी आक्रमणकारियों से लड़ने में मदद कर सकते हैं। ऐसा करने का सबसे अच्छा तरीका यूक्रेन के सशस्त्र बलों को धन दान करना है जीवन बचाएं या आधिकारिक पेज के माध्यम से NBU.
यह भी पढ़ें: