لقد تم استخدام تعلم النقل العميق لتصنيف المجرات بدقة
على مستوى الخبراء
في العام الماضي في سبتمبر استخدم الباحثون التعلم العميق
للتحقيق في المادة المظلمة في الصناعة أولاً.
الآن تم استخدام نفس الأسلوب لدراسة المجرات.
في الورقة المعنونة "التعلم العميق على نطاق لبناء كتالوجات غالاكسي
في مسح الطاقة المظلمة"
استفاد باحثون من جامعة إلينوي ومختبر أرجون الوطني
من قدرة الشبكات العصبية الاصطناعية على بناء نموذج
يمكن أن يصنف المجرات على أنها اهليلجيه أو دوامة مع دقة
على مستوى الخبراء على أساس صورهم.
عادةً ما يكون هذا التصنيف هو الخطوة الأولى التي تسبق سؤال بحثي آخر
لكن يمكنه تقديم معلومات حيوية عن الكون مثل عصر المجرات
وطبيعة الطاقة المظلمة والتوسع المتسارع للكون.
استخدم الباحثون عملية نقل التعلم من Xception
وهو نموذج لتصنيف الصور الجليلة.
تم استخدام حوالي 35000 صورة مجرة من
Sloan Digital Sky Survey
لتدريب الشبكة العصبية في ثماني دقائق فقط على وحدة معالجة الرسومات
GPUs بمركز بيانات NVIDIA في جهاز الكمبيوتر العملاق
Argon National Laboratory's Cooley.
ونتيجة لذلك باستخدام وحدة معالجة الرسومات
NVIDIA V100 Tensor Core الوحيدة للاستنتاج
تمكن فريق الباحثين من تصنيف 10000 مجرة في أقل من 30 ثانية.
حقق النموذج دقة مذهلة بنسبة 99.8٪. هذا تحسن كبير مقارنة
بالشبكات العصبية المدربة دون نقل التعلم.
أسد خان ، أحد الباحثين البارزين في الفريق ، وصف إمكانات النموذج
المدربين وذكر أنه:
"يمكننا بالفعل البدء في استخدام هذه الشبكة
أو الإصدارات المستقبلية منها
للبدء في تصنيف 300 مليون مجرة في Dark Energy Survey.
من خلال الاستدلال المتسارع GPU يمكننا تصنيف جميع الصور
في أي وقت من الأوقات على الإطلاق. "
يمثل هذا المشروع البحثي أول مرة يتم فيها الاستفادة من عملية
نقل النقل العميق لتصنيف المجرات.
كان المشروع أيضًا واحدًا من ستة مشاريع تم عرضها في معرض التصور
العلمي وتحليلات البيانات في SC19.
للمضي قدمًا يخطط فريق الباحثين لدراسة كيفية تأثير الانزياح الأحمر
في مورفولوجيا المجرات.
ليست هناك تعليقات:
إرسال تعليق