머신러닝은 우주 탐험에서 중요한 역할을 합니다.

Sep 06, 2023

Penn State 천문학자들과 계산 및 데이터 과학 연구소의 공동 고용인들은 기계 학습 알고리즘을 사용하여 James Webb 우주 망원경의 귀중한 데이터를 조사하고 있습니다. 그들은 이 정보가 이미 우주에 대한 우리의 이해를 변화시키고 있다고 말합니다. 출처: NASA 및 우주 망원경 과학 연구소. 판권 소유.

2023년 3월 16일

맷 스웨인

대학교 공원 — 제임스 웹 우주 망원경(JWST)에서 스트리밍되는 복잡하고 아름다운 우주 이미지는 컴퓨터나 스마트폰 화면에 나타나는 단순한 픽셀 그 이상입니다. 이 이미지는 데이터, 즉 수많은 데이터를 나타냅니다. 실제로 JWST는매일 약 235GB의 과학 데이터– 10일간 고화질 영화를 몰아서 시청하는 세션의 데이터 양과 거의 같습니다.

JWST와 기타 망원경 및 센서는 오늘날의 천문학자들에게 계속해서 증가하는 데이터 스트림을 제공했습니다. 이러한 소스는 천문학자들에게 별이 어떻게 죽는지 연구하는 것을 포함하여 새로운 발견을 할 수 있도록 우주를 더 깊이 관찰하고 시간을 거슬러 올라갈 수 있는 전례 없는 능력을 제공합니다. JWST의 데이터를 사용한 최근 Penn State 작업은과학자들이 은하의 기원을 이해하는 방식을 바꾸십시오.

그러나 이 모든 데이터를 관리하는 데 문제가 없는 것은 아닙니다. 천문학자들은 슈퍼컴퓨터와 기계 학습이라고 하는 고급 알고리즘에 의존하여 이러한 대량의 데이터를 수집하고 광대한 우주에 대한 정확한 모델을 만들고, 발견을 공개하고, 새로운 질문에 영감을 줄 뿐만 아니라, 우주의 놀라운 그림을 만들어야 합니다.

조엘 레자그리고V. 애쉴리 빌라르천문학 및 천체 물리학 조교수이자 ICDS 공동 고용인인 는 대규모 데이터 스트림을 더 잘 처리하기 위해 기계 학습 기술을 사용하는 선두주자로서 Penn State를 확립한 과학자 중 하나입니다.

Leja에 따르면 머신러닝 접근 방식을 통해 연구자들은 이전 방법보다 더 효율적이고 정확하게 숫자를 처리할 수 있습니다. 은하 이미징 해석과 같은 일부 경우에는 이러한 기계 학습 기술이 기존 분석보다 거의 백만 배 더 빠를 수 있다고 그는 덧붙였습니다.

기계 학습이 출현하기 전에는 분석 방정식을 사용하여 데이터를 처리하고 대량의 데이터를 테이블로 컴파일했습니다. 연구자(종종 대학원생)는 데이터를 수집하고 분석하는 데 상당한 시간을 소비합니다. 머신러닝이 없으면 계산이 반복적이고 시간이 많이 걸리며 프로세스 속도를 높일 수 있는 효율적인 방법이 없었습니다.

Leja는 그것이 엄청나게 복잡한 여행을 계획하는 것과 매우 비슷하다고 말했습니다.

"당신이 로스앤젤레스에서 샌프란시스코까지 가는 가장 좋은 길을 찾으려고 한다고 가정해 봅시다." Leja가 말했습니다. "기존 기술을 사용하여 우리는 도로 목록을 만들고, 모든 단일 경로를 시도하고, 모든 작은 도로(작은 도로, 주요 고속도로, 로터리 길)의 전체 거리를 계산하고 모든 경로를 매핑해야 합니다. 하나씩 수행하는 것은 그리 좋은 방법이 아닙니다. 일반적으로 올바른 답을 얻지만 머신러닝은 데이터를 사용하여 훨씬 더 스마트한 방식으로 이를 수행하려고 합니다. 예를 들어, 대신 수백만 개의 이전 여행 경로를 사용하고 어느 것이 가장 빠른지 빨리 물어보세요."

Villar에 따르면 기계 학습은 단순히 인간의 노동력을 줄이는 것이 아니라 계산 노동력을 줄여 결과적으로 에너지를 절약할 수 있다고 합니다.

빌라르는 “사람 노동 문제도 중요하지만 컴퓨터 노동 문제도 고려해야 한다”고 말했다. "너무 많은 시간의 계산 시간을 사용하고 있으며 이는 또한 많은 에너지를 사용하고 있음을 의미합니다."

제임스 웹 우주 망원경은 아름다운 사진을 찍는 것 이상의 일을 하고 있습니다. 우주를 더 잘 이해하는 데 도움이 될 수 있는 데이터를 수집하고 있습니다. 기계 학습은 천문학자들이 해당 데이터를 조사하는 데 도움이 됩니다. 출처: NASA 및 우주망원경과학연구소(STScI) 판권 소유.

필드 체인저