태양의 데이터 분석을 도와줄 도구

태양의 데이터 분석

빅 데이터는 점점 더 강력한 우주 도구에서 방대한 데이터 세트를 분석하는 우주 과학자들에게 큰 과제가 되었습니다. 이를 해결하기 위해 사우스웨스트 연구소 팀은 딥 러닝 모델이 잠재적으로 위험한 태양 사건을 선별하고 식별할 수 있도록 크고 복잡한 데이터 세트에 효율적으로 레이블을 지정하는 머신 러닝 도구를 개발했습니다. 방대한 데이터 세트와 관련된 다른 문제를 해결하기 위해 새로운 라벨링 도구를 적용하거나 적용할 수 있습니다. 우주 장치 패키지가 점점 더 복잡한 데이터를 점점 더 많이 수집함에 따라, 과학자들이 관련 트렌드를 처리하고 분석하는 것이 점점 더 어려워지고 있습니다. 머신 러닝(ML)은 크고 복잡한 데이터 세트를 처리하는 데 중요한 도구가 되고 있습니다. 여기서 알고리즘은 기존 데이터에서 학습하고 인간보다 더 많은 정보를 동시에 인수 분해할 수 있는 결정이나 예측을 합니다. 그러나 ML 기술을 활용하려면 모든 데이터에 먼저 레이블을 지정해야 합니다. 여러분은 종종 많은 노력을 해야 합니다. 데이터에 대해 의미 있는 언급을 하는 것은 ML에서 중요한 단계입니다. 하지만 데이터 세트에 라벨을 붙이는 것은 지루하고 시간이 많이 걸립니다.라고 태양 천문학 및 계측을 전문으로 하는 박사 후 연구원이자 Nature Astronomy에 발표된 연구 결과에 대한 논문의 주요 저자인 Subhamoy Chatterjee 박사가 말했습니다. 새로운 연구는 거칠게 레이블링 된 천문학 비디오에 대해 훈련된 CNN을 어떻게 활용하여 데이터 레이블링의 품질과 폭을 개선하고 인간의 개입 필요성을 줄일 수 있는지 보여줍니다.

 

 

립 러닝 기술

딥러닝 기술은 복잡한 패턴을 추출하고 학습함으로써 대량의 복잡한 데이터를 자동화하고 해석할 수 있습니다. SwRI 팀은 태양 자기장 이미지를 사용하여 우주 날씨 사건의 주요 전조인 강하고 복잡한 자기장이 태양 표면에 나타나는 영역을 확인했습니다. 우리는 기계 학습에 전문 지식을 가진 SwRI 태양 물리학자인 Andres Muozz-Jaramillo 박사는 우리는 기계와의 불일치만을 수동으로 검증하면서 거친 라벨을 사용하여 CNN을 훈련시켰습니다라고 말했습니다. 그런 다음 수정된 데이터로 알고리즘을 다시 교육하고 모두가 동의할 때까지 이 프로세스를 반복했습니다. 플럭스 모양 레이블링은 일반적으로 수동으로 수행되지만 인간과 ML 알고리듬 사이의 이러한 반복적인 상호 작용은 수동 검증을 50%까지 줄입니다. 능동적 학습과 같은 반복적인 레이블링 접근 방식은 시간을 크게 절약하여 빅 데이터 ML을 준비하는 비용을 줄일 수 있습니다. 또한, 동영상을 점차적으로 마스킹하고 ML 알고리즘이 분류를 변경하는 순간을 찾아냄으로써 SwRI 과학자들은 훈련된 ML 알고리즘을 더 많이 사용하여 훨씬 풍부하고 유용한 데이터베이스를 제공했습니다. "우리는 분할된 이미지, 추적 알고리즘 또는 다른 수동 기능을 명시적으로 제공하지 않고 자기 패치 진화의 비디오를 분류하기 위한 종단 간 딥 러닝 접근 방식을 만들었습니다,"라고 태양 표면 자기장 진화를 전문으로 하는 SwRI의 데릭 램 박사는 말했습니다. "이 데이터베이스는 우주 날씨 사건에 도움이 되는 복잡한 지역의 출현을 예측하고 잠재적으로 우주 날씨에 대비하기 위한 리드 타임을 증가시키기 위한 새로운 방법론을 개발하는 데 매우 중요할 것입니다."