Kā mašīnredze no jauna izgudro galaktiku izpēti

Galaxy Zoo ir viens no ievērojamākajiem pūļa zinātniskajiem projektiem tīmeklī. Kopš 2007. gada tai ir palīdzējuši vairāk nekā pusmiljons pilsoņu zinātnieku visā pasaulē, lai klasificētu gandrīz miljona galaktiku attēlus.

Šie centieni pašlaik maina mūsu izpratni par galaktiku veidošanos. Galaktiku formas, izmēri un krāsas ir to vecuma, to veidošanās apstākļu un to mijiedarbības ar citām galaktikām rezultāts daudzu miljardu gadu laikā.

Tāpēc detalizēta galaktiku tipu klasifikācija ir ļoti svarīga, lai noskaidrotu šo ķermeņu izcelsmi. Patiešām, Galaxy Zoo tika iecerēts kā risinājums 900 000 galaktiku klasificēšanas problēmai, kuras ir nofotografētas projektā, kas pazīstams kā Sloan Digital Sky Survey.

Tas izklausās ideāli piemērots mašīnas intelektam. Bet, lai gan galaktiku klasifikācijas uzdevums cilvēkiem ir salīdzinoši vienkāršs, tas vienmēr ir bijis ārpus mašīnredzes tehnoloģiju sasniedzamības. Līdz šim brīdim.

Pēdējo pāris gadu laikā lielie sasniegumi tehnikā, ko sauc par dziļajiem konvolucionālajiem neironu tīkliem, ir padarījuši mašīnredzi par līdzvērtīgu cilvēka redzei daudzos uzdevumos. Piemēram, apmēram pēdējā gada laikā dziļi konvolucionālie neironu tīkli ir kļuvuši tikpat labi kā cilvēki sejas atpazīšanā , problēma, kas datorzinātniekus ir apgrūtinājusi gadu desmitiem.

Salīdzinot ar sejas atpazīšanu, galaktiku klasifikācijai vajadzētu būt bērnu spēlei. Un tā arī izrādās. Šodien Sanders Dīlmans no Ģentes universitātes Beļģijā un pāris draugi saka, ka ir pilnveidojuši konvolucionālu neironu tīklu, kas var precīzi klasificēt plašu galaktiku klāstu, un tas ir sasniegums, kas sola automatizēt lielu daļu darba, ko tagad veic Galaxy Zoo.

Turklāt mašīnredzes pieeja mērogojas efektīvāk nekā pūļa resursi, kas nozīmē, ka datoriem jāspēj analizēt simtiem miljonu galaktiku attēlu, ko observatorijas visā pasaulē un kosmosā nākamajos gados izstrādās.

Mašīnas redzamība pēdējos gados ir ievērojami uzlabojusies divu atsevišķu faktoru dēļ. Pirmais ietver tehnoloģiju uzlabojumus, piemēram, efektīvākus konvolucionālos neironu tīklus un ātrākus datorus.

Otrais ir fakts, ka, pateicoties jaunajam pūļa spēka fenomenam, pēkšņi ir kļuvušas pieejamas lielas apmācības datu kopas. Galaktiku klasifikācijai šī apmācības datu kopa nāk no paša Galaxy Zoo procesa, kurā simtiem tūkstošu cilvēku ir anotējuši galaktiku attēlus.

Šī milzīgā datu kopa ir ļoti svarīga. Datorzinātnieki izmanto šāda veida anotētas datu kopas, lai apmācītu neironu tīklus, lai atpazītu konkrētas pazīmes — šajā gadījumā vai galaktika ir gluda un noapaļota, vai tās centrā ir josla, vai centrā ir izliekums vai ir kādas pazīmes spirālveida roku raksti un tā tālāk.

Tieši uz šiem jautājumiem pūlis jau ir atbildējis Galaxy Zoo datu kopā. Tāpēc ir samērā vienkārši ņemt datu paraugu, lai apmācītu konvolucionālo neironu tīklu. Dīlmens un kolēģi šim uzdevumam atlasa aptuveni 60 000 anotētu attēlu.

Tā ir salīdzinoši neliela apmācības datu kopa pēc mūsdienu standartiem. Tātad, lai palielinātu tā izmēru, viņi mainīja katru attēlu, mainot tā centrējumu, apgriežot to, lai izveidotu spoguļattēlu, un galvenokārt pagriežot to tā, lai neironu tīkls iemācītos izmantot galaktiku rotācijas simetriju.

Tas ir ļoti svarīgi, jo galaktikas klasifikācijai nevajadzētu būt atkarīgai no orientācijas, kādā tā tiek skatīta. Šīs nemainīguma īpašības uztveršana ir ļoti svarīga.

Pēc tam Dīlmans un co izmanto šo datu kopu, lai apmācītu konvolucionālo neironu tīklu, lai atpazītu galaktiku formu un struktūru, atbildot uz tādiem jautājumiem kā, cik daudz spirālveida zaru ir, cik cieši tās ir savītas, vai galaktikā ir kaut kas dīvains utt. tie paši jautājumi, uz kuriem cilvēki jau ir atbildējuši). Viņu tīkls sastāv no septiņiem slāņiem, no kuriem katrs efektīvi filtrē datus augstāka līmeņa funkcijām.

Pēc tam komanda izmanto apmācīto tīklu, lai novērtētu vēl 80 000 attēlu, kas nav anotēti, un pēc tam salīdzinātu rezultātus ar cilvēku klasifikācijas precizitāti.

Rezultāti ir iespaidīgi. Dieleman un co saka, ka lielākajai daļai klasifikāciju cilvēku un mašīnu sasniegtā precizitāte ir salīdzināma. Viņi norāda, ka mūsu jaunā pieeja rotācijas simetrijas izmantošanai bija būtiska, lai sasniegtu vismodernāko veiktspēju.

Tomēr viņi ir uzmanīgi, lai tieši nepateiktu, ka viņu mašīnredzes klasifikācija ir labāka nekā cilvēku klasifikācija. Šis aicinājums neizbēgami tiks atstāts citiem novērotājiem. Viņi saka, ka mašīnredze atvieglos ekspertu uzdevumu. Viņi secina, ka šāda pieeja ievērojami samazina ekspertu darba slodzi, neietekmējot precizitāti.

Vissvarīgākais sasniegums ir tas, ka šo paņēmienu var mērogot daudz efektīvāk nekā pūļa spēku. Galu galā konvolucionālie neironu tīkli var darboties 24 stundas diennaktī un nekad nenogurst. Šo algoritmu piemērošana lielākām apmācības datu kopām būs ļoti svarīga, lai analizētu turpmāko aptauju rezultātus, saka Dieleman un co.

Patiešām, tikai stingrs skeptiķis teiktu, ka šis paņēmiens tuvākajā nākotnē nemainīs galaktiku klasifikācijas veidu.

Tas nenozīmē, ka cilvēki tiks izslēgti no galaktiku klasifikācijas procesa. Tālu no tā. Šāda veida automatizēts darbs ir ļoti atkarīgs no apmācības datu kopas kvalitātes. Tātad, ja astronomi vēlas uzdot dažādus jautājumus par galaktikām un izmantot mašīnredzi, lai uz tiem atbildētu, viņiem vispirms būs jāizveido liela apmācības datu kopa, ko cilvēki ir precīzi anotējuši.

Tātad pūļa spēka loma ir mainīta un savā ziņā kļūs vēl svarīgāka. Nākotnē pilsoņu zinātnieki izstrādās zelta standarta apmācības datu kopas, ko mašīnredzes algoritmi izmantos, lai apgūtu savus uzdevumus.

Tas būs svarīgs darbs, un šķiet, ka tas vēl kādu laiku turpināsies. Vismaz līdz brīdim, kad jaunā inteliģento mašīnu paaudze atcels pat šo soli.

Atsauce: arxiv.org/abs/1503.07077 : Rotācijas invarianti konvolūcijas neironu tīkli galaktikas morfoloģijas prognozēšanai

paslēpties