Методы машинного обучения используют для идентификации новых космических объектов
Ученые из Института фундаментальных исследований Тата (TIFR) и Индийского института космической науки и техники (IIST) определили природу новых космических объектов, используя методы машинного обучения.
Астрономия вступает в новую эру, поскольку огромное количество астрономических данных от миллионов космических объектов становится доступным. Это результат запланированных наблюдений с использованием высококачественных астрономических обсерваторий, а также политики открытого доступа к данным. Излишне говорить, что эти данные обладают огромным потенциалом для многих открытий и нового понимания Вселенной.
Однако изучать данные со всех этих объектов вручную непрактично, и для извлечения информации из этих данных необходимы автоматизированные методы машинного обучения. Но применение таких методов к астрономическим данным все еще очень ограничено и находится на предварительной стадии.
Команда TIFR-IIST применила методы машинного обучения к сотням тысяч космических объектов, наблюдаемых в рентгеновских лучах с помощью космической обсерватории «Чандра» в США. Астрономы проанализировали примерно 277 000 рентгеновских объектов, природа большинства из которых была неизвестна. Классификация природы неизвестных объектов эквивалентна обнаружению объектов определенных классов.
Таким образом, это исследование привело к достоверному открытию множества космических объектов различных классов, таких как черные дыры, нейтронные звезды, белые карлики и звезды.
Это совместное исследование также было важно для создания современного потенциала по применению новых методов машинного обучения к фундаментальным исследованиям в астрономии, которые будут иметь решающее значение для научного использования данных обсерваторий.