Ученые из Института фундаментальных исследований Тата (TIFR) в Мумбаи, Индия, и Индийского института космических наук и технологий (IIST) с помощью методов машинного обучения определили природу тысяч новых космических объектов в рентгеновском диапазоне длин волн. Машинное обучение — это вариант или часть искусственного интеллекта.
Астрономия вступает в новую эру, так как огромное количество астрономических данных от миллионов космических объектов становится бесплатным. Это результат крупных исследований и запланированных наблюдений с помощью высококачественных астрономических обсерваторий, а также политики открытого доступа к данным. Излишне говорить, что эти данные имеют большой потенциал для многих открытий и нового понимания Вселенной.
Однако исследовать данные всех этих объектов вручную нецелесообразно, 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. Это продемонстрировало, как новый и актуальный технологический прогресс может помочь и революционизировать фундаментальные и фундаментальные научные исследования. Команда применила эти методы примерно к 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 надежному открытию многих тысяч космических объектов таких классов, как черные дыры , нейтронные звезды , белые карлики и звезды, что открыло астрономическому сообществу огромные возможности для дальнейшего детального изучения многих интересных новых объекты.
Это совместное исследование также было важно для создания современного потенциала для применения новых методов машинного обучения к фундаментальным исследованиям в астрономии, что будет иметь решающее значение для научного использования данных текущих и будущих обсерваторий.
