medio millón de galaxias clasificadas gracias al aprendizaje profundo

hace 4 años

Grâce au deep learning, les chercheurs ont pu classer plus d'un demi-million de galaxies. © NAOJ, HSC-SSP

Gracias a aprendizaje profundo, investigadores del Observatorio Astronómico Japonés han logrado desarrollar un protocolo capaz de detectar y clasificar galaxias por categoría.

Aprendizaje profundoo aprendizaje profundo, parece haberse convertido ahora en una herramienta tan común en la ciencia como Mechero bunsen o uno microscopio. Si el concepto nació en la década de 2010, la técnica encuentra su origen en la década de 1960, con la invención de la primera percibirá. Basado en el funcionamiento del neuronas artificial, está experimentando un crecimiento exponencial, explicado por el trabajo de investigación permanente y la propia naturaleza de la tecnología, cuya función es aprender de manera autónoma a distinguir y reconocer patrones dentro de los datos en bruto, por ejemplo, una palabra en un archivo de audio o un rostro en un fotografía.

Índice
  1. Una red neuronal convolucional
  2. Medio millón de galaxias

Una red neuronal convolucional

Entre los servicios que el aprendizaje profundo ofrece a los científicos, su capacidad para apuntar y clasificar información en un enorme cuerpo de datos no es la menor. Atrás quedaron los meses dedicados a examinar fotografías de laUniverso remoto a mano: los investigadores ahora pueden confiarlos a un red neuronal convolucional (CNN), un tipo de red neuronal artificial utilizada en el análisis de imágenes. Para entrenar a estos últimos a detectar y distinguir entre galaxias espirales de galaxias sin espiral, el equipo del Observatorio Astronómico Japonés (NAOJ) envió previamente decenas de miles de imágenes a su ojos metafórico (2.829 galaxias y 51.650 no espirales) antes de ponerlo a prueba.

Las fotografías en cuestión fueron capturadas por telescopio subaru, ubicado en Mauna Kea, Hawaii. Entre sus siete instrumentos principales, la cámara de campo amplio Hyper Suprime-Cam (HSC) es una joya óptica: con sus 87 millones píxeles y su CCD ultrasensible, es capaz de observar el Universo distante con un nivel de detalle impresionante. Al analizar estas imágenes, los investigadores esperan descubrir nuevas galaxias, en las tierras lejanas de nuestro cosmos. Y gracias a CNN, sus expectativas no se ven defraudadas.

Medio millón de galaxias

Con una tasa de éxito del 97,5%, elinteligencia artificial fue capaz de identificar un total de 76.635 galaxias espirales del medio millón de imágenes que se le presentaron. " Enviamos 561,251 imágenes de galaxias a CNN después del entrenamiento., explican los investigadores en su estudio, publicado en la revista Avisos mensuales de la Royal Astronomical Society. Nuestro sistema de clasificación automatizado detecta galaxias de manera eficiente y determina la dirección de sus brazos espirales. ".

Los investigadores señalan que el método aún tiene ciertas limitaciones, comenzando por el hecho de que las imágenes de entrenamiento fueron seleccionadas por humanos, con sus propias sesgos cognitivos y visuales. " La creación de imágenes falsas de simulaciones numéricas es uno de los muchos métodos eficaces para preparar una gran cantidad de datos para el entrenamiento. (Otra es adoptar) un enfoque de aprendizaje no supervisado, que no requiere grupos de datos ordenados visualmente. "

¿Interesado en lo que acaba de leer?

Si quieres conocer otros artículos parecidos a medio millón de galaxias clasificadas gracias al aprendizaje profundo puedes visitar la categoría Otros.

Otras noticias que te pueden interesar

Subir
Esta web utiliza cookies propias y de terceros para su correcto funcionamiento y para fines analíticos y para mostrarte publicidad relacionada con sus preferencias en base a un perfil elaborado a partir de tus hábitos de navegación. Contiene enlaces a sitios web de terceros con políticas de privacidad ajenas que podrás aceptar o no cuando accedas a ellos. Al hacer clic en el botón Aceptar, acepta el uso de estas tecnologías y el procesamiento de tus datos para estos propósitos.
Privacidad