Forskare lärde ut ett program för artificiell intelligens (AI), som används för att känna igen ansikten på Facebook, för att identifiera galaxer i djupt utrymme. Som ett resultat såg projektet fram ClaRAN, skanna bilder från radioteleskop. Huvuduppgiften är att upptäcka radiolaxer - källor med kraftfulla radiostationer från centrala supermassiva svarta hål. Stora svarta hål antas ligga i mitten av de flesta galaxer (kanske alla).
Periodiskt supermassiva svarta hål släpper ut jets som är fixerade med radioteleskop. Med tiden kan de nå långt ifrån sina inhemska galaxer, vilket gör det svårt att hitta den exakta källan till traditionella program. Därför tar ClaRAN över.
De 14 förutsägelserna av radiolaxaxier från ClaRAN gjordes under avsökning av radio- och infraröddata. Alla prognoser görs med en hög nivå av "förtroende". Förtroende 1,00 indikerar att ClaRAN är extremt övertygad om att det är ett system av radiogalaxer, och dess klassificering förblir korrekt
Ursprungligen användes programmet för att upptäcka objekt i Microsoft och Facebook. Men det var helt omformat och inriktat på att leta efter galaxer istället för människor. ClaRAN är tillgänglig öppen källkod.
Genom att kombinera data från olika teleskop ökar nivån på ClaRAN-förtroendet för detektion och klassificering. Förtroendet vid 1,00 indikerar att programmet är övertygat om att källan som hittats är en radiolaxa. Till vänster finns en radiokalax som finns på ClaRAN med hjälp av radioteleskopindikatorer (prognos - 0,53 och 0,63). Höger - samma galax, men med tillägg av data från IR-teleskopet (förtroende - 1,00)
Kommande studier med hjälp av den australiska radiointerferometern ASCAP kommer att visa upp till 70 miljoner galaxer. Traditionella datoralgoritmer kan korrekt identifiera endast 90% av källorna. Det vill säga 10% eller 7 miljoner komplexa galaxer kommer att ignoreras om du inte ansluter ClaRAN. För träningsprogram användes högkvalitativa kataloger av galaxer.
Den nya generationen programmerare spenderar 99% av sin tid på att skapa bättre kvalitetsdatasatser, och sedan tränar de AI-algoritmer för att optimera data. Detta är framtiden för programmeringen. Om vi lyckas införa dessa avancerade metoder för nästa generations teleskop, kan vetenskapen maximeras.
