天体的分类是一个古老的问题。由于光源的距离几乎令人难以置信，研究人员有时很难区分恒星、星系、类星体或超新星等物体。 Instituto de Astrofísica e Ciências do Espaço (IA) 研究人员 Pedro Cunha 和 Andrew Humphrey 试图通过创建 SHEEP 来解决这个经典问题，SHEEP 是一种确定天文来源性质的机器学习算法。 Andrew Humphrey（IA 和葡萄牙波尔图大学）评论道：“考虑到宇宙的数量和复杂性，对天体进行分类的问题非常困难，而人工智能是完成此类任务的一个非常有前途的工具。”
SHEEP 是一种受监督的机器学习管道，可估计光度红移并使用此信息随后将源分类为星系、类星体或恒星。 在执行分类之前，SHEEP 首先估计光度红移，然后将其作为附加特征输入数据集以训练分类模型。
该团队发现，包括物体的红移和坐标可以让人工智能 (AI) 在宇宙的 D 地图上识别它们，并且他们将其与颜色信息一起使用以更好地估计源的属性。 例如，AI 已经了解到，在靠近银河系平面的地方发现恒星的概率要高于在银极处发现的概率。 汉弗莱补充说：“当我们让 AI 获得宇宙的三维视图时，它确实提高了它对天体到底是什么做出准确判断的能力。”
斯隆数字巡天 (SDSS) 等地面和太空大规模调查产生了大量数据，彻底改变了天文学领域。 Vera K. Rubin 天文台、暗能量光谱仪 (DESI)、欧几里德太空任务 (ESA) 或詹姆斯韦伯太空望远镜 (NASA/ESA) 的未来研究将继续提供更详细的信息和成像。 然而，使用传统方法分析所有数据可能非常耗时。 人工智能或机器学习对于分析和最科学地利用这些新数据至关重要。
Pedro Cunha 说：“最激动人心的部分之一是了解机器学习如何帮助我们更好地了解宇宙。 我们的方法论向我们展示了一条可能的路径，同时在此过程中创造了新的路径。 这是天文学的杰出时代。”
成像和光谱研究是了解宇宙可见内容的主要资源之一。 这些审查的数据使我们能够对恒星、类星体和星系进行统计研究，并发现更多不寻常的物体。
你可以帮助乌克兰对抗俄罗斯侵略者。 最好的方法是通过以下方式向乌克兰武装部队捐款 拯救生命 或通过官方页面 NBU.
另请阅读：