ستاره شناسان با شمارش 100000 دهانه قمری ، یک ربات بد ساخته اند



سطح ماه یک آشفتگی آشفته از دهانه های هر اندازه است.  اکنون الگوریتم ها به اندازه کافی هوشمند و مهربان هستند تا بتوانند این آشفتگی را برای ما مرتب کنند.

سطح ماه یک آشفتگی آشفته از دهانه های هر اندازه است. اکنون الگوریتم ها به اندازه کافی هوشمند و مهربان هستند تا بتوانند این آشفتگی را برای ما مرتب کنند. (ناسا / GSFC / دانشگاه ایالتی آریزونا /)

اگر قیام ربات هرگز فرا رسد ، ماشین آلات می توانند ورودی جدیدی را در لیست شکایات خود ذکر کنند. یک تیم بین المللی از محققان یک الگوریتم یادگیری ماشین را برای انجام وظیفه ای ساخته اند که هیچ دانشمند سیاره ای قادر به انجام آن نیست – یا نمی تواند -.

الگوریتم جدید پس از شکستن سطح ماه به میلیاردها پیکسل و یادگیری مجدانه نحوه اتصال نقاط خاکستری ، آنچه را که به گفته محققان گسترده ترین پایگاه داده دهانه های ماه تا به امروز است ، جمع آوری کرده است – در این فهرست بیش از 100000 گودی ماه وجود دارد. نرم افزار Stoic حتی توانسته است قریب 20،000 سال از این پوک ها را که سابقه بی نقص میلیاردها سال تاریخ در این گوشه از منظومه شمسی است ، تعیین کند.

لورنزو بروزون ، استاد ارتباطات از راه دور دانشگاه ترنتو در ایتالیا که روی این پروژه کار می کرد ، می گوید: “آنچه در ماه می بینیم شبیه آنچه در سیاره خود داشتیم ، اما فرسایش داریم” و باد و زمان روی زمین است. . “همه چیز مانند ماه است.”

مونتاژ کاتالوگ های دهانه قبلی بیشتر دستی بود. این بدان معناست که دانشمندان سیاره ای در حال ریختن بر روی مناظر یکنواخت سنگ خاکستری سنگی قاب به قاب ، شمارش دهانه ها و محاسبه سن آنها براساس اشکال آنها ، لایه های زیرزمینی هستند که در معرض آن قرار گرفته و (خوشبختانه) قدمت آنها از صخره هایی است که توسط فضانوردان آپولو بازگردانده شده اند. . بروزون و همکارانش با زیرمجموعه ای از پایگاه داده استاندارد طلا شروع کردند ، لیستی از حدود 9000 دهانه (حدود 1700 دهانه) که توسط اتحادیه بین المللی نجوم (IAU) طی قرن گذشته تهیه شده است.

سپس آنها به ماشینی یاد دادند كه در عوض كار را انجام دهد. اما یادگیری ماشینی چیزی شبیه یک هنر تاریک است و حتی دانشمندان کامپیوتر نیز کاملاً نمی فهمند که نوع الگوریتمی که برای یک کار خاص (مانند شمارش دهانه) مناسب تر است. خلاصه اینکه یافتن این میانبر کار آسانی نبود.

این تیم بر روی نوعی برنامه به نام شبکه عصبی کانولوشنال متمرکز شدند ، تکنیکی که با استفاده از آزمون و خطا تصاویر برچسب دار را مطالعه می کند (“این دهانه ها هستند”) و به طور خودکار قابل تشخیص ترین ویژگی های جسم را می آموزد ، سپس می تواند از آن برای برچسب زدن استفاده کند. تصاویر (“دهانه” یا “غیر دهانه”). اما روش های زیادی برای ایجاد یک شبکه عصبی کانولوشن وجود دارد و این گروه پیکربندی های مختلفی را آزمایش می کند که پردازش هر یک از ابر رایانه ها برای هر کدام چند روز طول می کشد.

پس از فرود روی یک ساختار شبکه عصبی که می توانست دهانه را یاد بگیرد و دهانه های شناخته شده دیگر را در لیست IAU پیدا کند ، آنها آن را در مطالعه ای از واضح ترین تصاویر موجود از سطح ماه – داده های Chang’E چین- قرار دادند. 1 -1) و مدار Chang’E-2 (CE-2). تصاویر CE-1 عملکردهایی با ابعاد 150 متر را حل می کند ، در حالی که تصاویر CE-2 به 7 متر کاهش می یابد ، بنابراین گروه در واقع دو شبکه عصبی متصل ایجاد می کند. یکی از آنها دهانه های بزرگتر را در تصاویر CE-1 شناسایی کرد و سپس موفق به “آموزش” شبکه دوم برای یافتن دهانه های کوچکتر در تصاویر CE-2 شد. برای این کار ، او از تکنیکی استفاده می کند که به عنوان آموزش انتقال شناخته می شود ، که Bruzzone آن را با مربی آموزش دهنده جانشین مقایسه می کند.

او می گوید: “من تجربه دارم و به کسی یاد می دهم.” و “شاید آنها نتایج را بهبود می بخشند زیرا اطلاعات به روزتری دارند.”

سرانجام ، این دو شبکه با ترکیب تصاویر تقریباً کل سطح ماه ، حدود 117000 دهانه از گودی های یک کیلومتری تا جوراب های 500 کیلومتری را شناسایی کردند. نویسندگان می گویند ، پایگاه داده جدید حدود 15 برابر دهانه دهانه بیشتر از سایر پایگاه های داده دارد. آنها کار خود را روز دوشنبه در ارتباطات طبیعت منتشر کردند.

این برنامه ها از اعتماد به نفس کافی برخوردار بودند تا تقریباً 20،000 مورد از این ویژگی ها را به سنین اختصاص دهند – این کار کمی در کار با دهانه هایی است که با دهانه ها هم پوشانی دارند. برای اطمینان از اینکه شبکه ها چشمی متقابل ندارند و دهانه و اعدادی اختراع نمی کنند ، گروه دهانه های خود را در برابر پایگاه های اطلاعاتی مختلف موجود بررسی می کند و حتی برای بسیاری از تیم های دانشمندان سیاره ای ترتیب می دهد تا چندین هزار دهانه تازه کشف شده را به روش قدیمی ماه ها). تحت اقدامات مختلف ، نتایج ماشین آلات از 85 تا 95 درصد دقیق متفاوت است.

بروزون خاطرنشان کرد: این کامل نیست ، اما مردم نیز نیستند ، چه رسد به تلاش مشترک صدها نفر ، همه با نقص های خاص خود. وی انتظار دارد که در پایگاه داده گسترده ماه ، که به روشی مستند و یکنواخت تدوین شده است ، دانشمندان سیاره ای بتوانند تاریخ ماه را با جزئیات بی سابقه بخوانند.

او می گوید: “اگر تجزیه و تحلیل خود را بر اساس تعداد دهانه دهانه محدود قرار دهید ، تصویر بزرگی ندارید.” “گام بعدی شروع تجزیه و تحلیل ، برای درک اهمیت همه دهانه های جدید شناسایی شده است.”

وی داده های بزرگ (مانند این پروژه به دلیل الكترونیك كردن 200 گیگابایت تصویر) توسط الگوریتم ها را ابزاری قدرتمند و نوظهور برای علوم سیاره ای می داند. اکنون که این گروه چگونگی ایجاد نوع مناسب شبکه عصبی را ایجاد کرده است ، امیدوار است که بتواند کاری مشابه برای محققان از جهان های دیگر که تصاویر واضحی مانند سرس یا مریخ دارند انجام دهد. بروزون حدس می زند که آنها حتی می توانند از شبکه های ماه برای آموزش دیگران استفاده کنند. وی می گوید: “قطعاً به سازگاری نیاز خواهیم داشت ، اما احتمالاً نباید از ابتدا شروع كنیم.”

ما امیدواریم که ماشین آلات با صبر و حوصله به همکاری خود ادامه دهند.


منبع: khabar-reza.ir

دیدگاهتان را بنویسید

Comment
Name*
Mail*
Website*