天體的分類是一個古老的問題。由於光源的距離幾乎令人難以置信，研究人員有時很難區分恆星、星系、類星體或超新星等物體。 Instituto de Astrofísica e Ciências do Espaço (IA) 研究人員 Pedro Cunha 和 Andrew Humphrey 試圖透過創建 SHEEP 來解決這個經典問題，SHEEP 是一種確定天文來源性質的機器學習演算法。 Andrew Humphrey（IA 和葡萄牙波爾圖大學）評論道：“考慮到宇宙的數量和複雜性，對天體進行分類的問題非常困難，而人工智慧是完成此類任務的非常有前途的工具。”
SHEEP 是一種受監督的機器學習管道，可估計光度學紅移並使用此信息隨後將來源分類為星系、類星體或恆星。 在執行分類之前，SHEEP 首先估計光度紅移，然後將其作為附加特徵輸入數據集以訓練分類模型。
研究小組發現，包括物體的紅移和坐標允許人工智能 (AI) 在宇宙的 D 地圖上識別它們，並且他們將其與顏色信息一起使用來更好地估計來源的屬性。 例如，人工智能已經了解到，在銀河系平面附近找到恆星的概率高於在銀河兩極。 漢弗萊補充說：“當我們讓人工智能獲得宇宙的三維視圖時，它確實提高了它對天體到底是什麼做出準確決定的能力。”
諸如斯隆數字巡天 (SDSS) 等地面和空間的大規模調查產生了大量數據，徹底改變了天文學領域。 Vera K. Rubin 天文台、暗能量光譜儀 (DESI)、歐幾里得太空任務 (ESA) 或詹姆斯韋伯太空望遠鏡 (NASA/ESA) 的未來研究將繼續提供更詳細的信息和成像。 然而，使用傳統方法分析所有數據可能非常耗時。 人工智能或機器學習對於分析和最科學地利用這些新數據至關重要。
Pedro Cunha 說：“最令人興奮的部分之一是看到機器學習如何幫助我們更好地了解宇宙。 我們的方法向我們展示了一條可能的路徑，同時在此過程中創造了新的路徑。 這是天文學的一個傑出時期。”
成像和光譜研究是了解宇宙可見內容的主要資源之一。 這些評論的數據使我們能夠對恆星、類星體和星系進行統計研究，並發現更多不尋常的物體。
你可以幫助烏克蘭對抗俄羅斯侵略者。 最好的方法是通過以下方式向烏克蘭武裝部隊捐款 拯救生命 或通過官方頁面 NBU.
另請閱讀：