طبقه بندی اجرام آسمانی یک مشکل دیرینه است. با وجود منابعی در فواصل غیرقابل تصور، گاهی اوقات تشخیص اجسامی مانند ستاره ها، کهکشان ها، اختروش ها یا ابرنواخترها برای محققان دشوار است.
به گزارش “مرکز توسعه و نوآوری هوش مصنوعی ” و به نقل از “پی . اس . وای ” پدرو کانها و اندرو هامفری، محققین هوش مصنوعی سعی کردند این مشکل کلاسیک را با ایجاد SHEEP، یک الگوریتم یادگیری ماشینی که ماهیت منابع نجومی را تعیین می کند، حل کنند. اندرو هامفری می‌گوید: «مشکل طبقه‌بندی اجرام آسمانی از نظر اعداد و پیچیدگی جهان بسیار چالش برانگیز است و هوش مصنوعی ابزار بسیار امیدوارکننده‌ای برای این نوع کار است. “
SHEEPالگوریتم یک خط لوله یادگیری ماشینی تحت نظارت است که جابجایی‌های قرمز نورسنجی را تخمین می‌زند و از این اطلاعات برای طبقه‌بندی منابع به عنوان کهکشان، اختروش یا ستاره استفاده می‌کند.
این تیم دریافت که انتقال نور سرخ و مختصات اجسام به هوش مصنوعی این امکان را می دهد که آنها را در یک نقشه سه بعدی از کیهان درک کند و از آن همراه با اطلاعات رنگی برای تخمین بهتر ویژگی های منبع استفاده کردند. برای مثال، هوش مصنوعی دریافت که شانس بیشتری برای یافتن ستاره‌های نزدیک‌تر به هواپیمای راه شیری نسبت به قطب‌های کهکشانی وجود دارد.
هامفری افزود: زمانی که به هوش مصنوعی اجازه دادیم دید سه بعدی از کیهان داشته باشد، این واقعا توانایی آن را برای تصمیم گیری دقیق در مورد اینکه هر جرم آسمانی چیست، بهبود بخشید.
تصویربرداری و تجزیه و تحلیل تمام داده ها با استفاده از روش های سنتی می تواند زمان بر باشد. هوش مصنوعی یا یادگیری ماشینی برای تجزیه و تحلیل و بهترین استفاده علمی از این داده های جدید بسیار مهم خواهد بود.
این کار بخشی از تلاش تیم برای بهره‌برداری از سیل مورد انتظار داده‌های حاصل از آن نظرسنجی‌ها، با توسعه سیستم‌های هوش مصنوعی است که به طور موثر میلیاردها منبع را طبقه‌بندی و مشخص می‌کند.
