Εφαρμογή τεχνικών μηχανικής μάθησης σε αστρονομικές βάσεις δεδομένων
Application of machine learning methods on astronomical databases
Λέξεις-κλειδιά
Ερυθρή μετατόπιση ; Μηχανική Μάθηση ; Συνελικτικά νευρωνικά δίκτυαΠερίληψη
Ο ακριβής προσδιορισμός της ερυθρής μετατόπισης των γαλαξιών αποτελεί θεμελιώδη
επιδίωξη της σύγχρονης αστρονομίας, παρέχοντας κρίσιμες πληροφορίες για τις κοσμικές
αποστάσεις, την ηλικία και τις εξελικτικές διαδικασίες. Η παρούσα διπλωματική εργασία εμβαθύνει
στην εφαρμογή τεχνικών μηχανικής μάθησης για την ακριβή πρόβλεψη των ερυθρών μετατοπίσεων
των γαλαξιών, αντιμετωπίζοντας μια επίμονη πρόκληση στην αστροφυσική έρευνα.
Με κίνητρο την πολυπλοκότητα των αστρονομικών συνόλων δεδομένων και τη δυνατότητα
ενίσχυσης της ακρίβειας πρόβλεψης, η μελέτη αυτή αξιοποιεί τα συνελικτικά νευρωνικά δίκτυα
(Convolutional Neural Networks - CNNs), ένα υποσύνολο των τεχνητών νευρωνικών δικτύων, για
την αποκωδικοποίηση των φασμάτων των γαλαξιών. Εμπνευσμένο από την επιτυχία των CNN στην
επεξεργασία εικόνας, ο στόχος είναι να εξαχθούν περίπλοκα φασματικά μοτίβα που οι συμβατικές
αναλυτικές μέθοδοι μπορεί να παραβλέπουν.
Η έρευνα αυτή σηματοδοτεί τη συνέργεια μεταξύ της αστρονομίας και των υπολογιστικών
μεθοδολογιών. Στόχος της είναι να αναδείξει την πρακτική χρησιμότητα της μηχανικής μάθησης στην
αστρονομία, συγκεκριμένα στο πλαίσιο της πρόβλεψης της μετατόπισης του ερυθρού,
χρησιμοποιώντας δεδομένα που προέρχονται από την αποστολή Gaia.
Τα αποτελέσματά μας αναδεικνύουν την δύναμη της μηχανικής μάθησης, ιδίως των CNN,
στην εκτίμηση της ερυθρής μετατόπισης. Το εκπαιδευμένο μοντέλο παρουσιάζει αξιοσημείωτη
ακρίβεια, ιδιαίτερα σε συγκεκριμένα εύρη ερυθρών μετατοπίσεων.
Περίληψη
The accurate determination of galaxy redshift is a fundamental pursuit in modern astronomy,
providing crucial information about cosmic distances, age, and evolutionary processes. This
dissertation delves into the application of machine learning techniques for the precise prediction of
galaxy redshifts, addressing a persistent challenge in astrophysical research.
Motivated by the complexity of astronomical datasets and the potential for enhancing
predictive accuracy, this study leverages convolutional neural networks (CNNs), a subset of artificial
neural networks, to decode galaxy spectra. Inspired by the success of CNNs in image processing, the
goal is to extract intricate spectral patterns that conventional analytical methods may overlook.
This research signifies the synergy between astronomy and computational methodologies. It
aims to demonstrate the practical utility of machine learning in astronomy, specifically in the context
of redshift prediction, utilizing data sourced from the Gaia mission.
Our results highlight the power of machine learning, particularly CNNs, in redshift
estimation. The trained model showcases commendable accuracy, particularly within specific redshift
ranges.
Αριθμός σελίδων
47Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Μηχανικών Πληροφορικής και ΥπολογιστώνΓλώσσα
ΑγγλικάΣυλλογή
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές