Offene Probleme in der Astronomie, die ein Amateur (mit einem Doktortitel auf einem anderen Gebiet) lösen könnte?

Was sind einige offene Probleme in der Astronomie, die ein Amateur lösen könnte? Angenommen, der Amateur hat einen Doktortitel auf einem anderen Gebiet, besitzt ein Basisteleskop, eine Reihe von Filtern, Beugungsgittern und Kameras und weiß zufällig viel über maschinelles Lernen, Signalverarbeitung, Spektralschätzung, Statistik und Versuchsplanung sowie Grundlagenwissen Physik und Chemie.

Gibt es bessere Tags (wie "Forschung")?

solar-system planet astrophysics fundamental-astronomy stellar-astrophysics Finsternis
quelle

Wie wirkt sich die Entdeckung neuer Asteroiden / Kometen / Kleinplaneten / usw. auf das Gravitationsgleichgewicht des Sonnensystems aus, insbesondere auf die Projektionen der NASA über Planetenstandorte und Rotationsraten? Wird es in 100 Jahren nur geringfügige oder umfassende Änderungen an den SPICE-Kerneln geben?

barrycarter

Interessante Frage. Warum nicht etwas mehr über Ihren Kommentar @barrycarter ausarbeiten und eine Antwort daraus machen? Da es sich um Amateure handelt, wäre es schön zu wissen, welche Art von Daten benötigt würden und wie sie erhalten werden könnten. Ich bin auch neugierig auf andere offene Probleme. Hat die Astronomie nicht viele davon? :)

mmh

Ich würde dringend empfehlen, sich für Objekte mit geringer Oberflächenhelligkeit zu entscheiden: z. B. folgende Personen: dunlap.utoronto.ca/instrumentation/dragonfly

chris

Eine Alternative wäre, in Umfragen wie SDSS, DES usw. zu graben und maschinelle Lerntechniken zu verwenden, um Ausreißer zu identifizieren. Viele Umfragen sind jetzt öffentlich verfügbar und es gibt nur so viel, was professionelle Astronomen tun können.

Chris

Normalerweise speichere ich meine besten Ideen für meine eigenen Stipendienvorschläge :)

Rob Jeffries

Antworten:

Wenn Sie über gute Kenntnisse in der Softwareentwicklung und Mustererkennung verfügen, können Sie bei der Lösung verschiedener Probleme behilflich sein. Ein Großteil der Beobachtungsastronomie erfordert lange Zeitreihendaten und das Entfernen des Rauschens aus diesen Daten. Ich habe gerade das Gebiet verlassen, auf dem einige Kollegen versuchen, eine Software zu entwickeln, die Bildsubtraktionstechniken verwendet, um einzelne Sterne in der Mitte von Clustern zu isolieren. Das Zentrum des Clusters ist normalerweise dichter und es ist schwieriger, eindeutige Messwerte für jeden einzelnen Stern zu erhalten.

Die Mustererkennung ist besonders nützlich bei der Pipeline-Analyse, bei der eine generische Pipeline für große Datenmengen verwendet wird, um 1: die Sterntypen zu finden, an denen man interessiert ist; und 2: einige interessante Informationen über diese Sterne extrahieren. Techniken des maschinellen Lernens könnten auch verwendet werden, um die Entwicklung der allgemeinen Pipelines für spezifischere Interessen zu unterstützen.

Ich freue mich, Sie mit einigen Leuten in Kontakt zu bringen, die Ihnen einige spezifische Probleme bieten könnten, bei denen Sie möglicherweise helfen können.

theotheraussie
quelle

Ist das Angebot auch für andere als die OP offen? :) Ich könnte auch interessiert sein ..

mmh

Wenn Sie also beispielsweise dieses Bild upload.wikimedia.org/wikipedia/commons/thumb/0/02/… haben würden, wäre die Aufgabe, die Koordinaten jedes Sterns in der Mitte zu finden? :) Ein Beispiel wäre schön.

Mmh

Entlang der Linien von Tausenden dieser Bilder, die als Zeitreihe aufgenommen wurden und dann die gemeinsamen Merkmale in den Bildern verwenden, um 1: sie auszurichten und alle durch die Detektoren eingebrachten Merkmale (Wärmedrift, Ausrichtungsfehler usw.) zu entfernen; und 2: Isolieren der jedem Stern zugeordneten Pixel und Bestimmen der relativen Intensität für jeden. Dies wird zur Mitte hin schwierig, wo die Intensität der Pixel durch umgebende Pixel beeinflusst wird. Hier sind einige Referenzen, die helfen könnten arxiv.org/abs/1009.4206 , arxiv.org/abs/1309.6044

theotheraussie

Die Herausforderung des Kaggle-Galaxienzoos ist ein Beispiel für ein Problem, bei dem nach Ideen von außerhalb gebettelt wird. Sander Dieleman, mit einem Hintergrund in Deep Learning und Feature Learning, trat mutig vor und schuf einen Bildklassifikator, der Faltungs-Neuronale Netze nutzt. Seine vollständige Lösung wird hier fließend beschrieben .

Diese Art von Techniken könnte auf jedes Bildklassifizierungsproblem in der Astronomie angewendet werden, oder ähnliche Techniken könnten verwendet werden, um andere astrophysikalische Objekte aus Vermessungs- oder Signaldaten zu klassifizieren.

Ich würde es vermeiden, Ihre Bilder selbst zu erfassen, da es eine Menge offen verfügbarer Datensätze mit größerer Tiefe, Auflösung und Abdeckung gibt, als Sie sich innerhalb eines angemessenen Zeitrahmens erhoffen könnten.

christopherlovell
quelle

Ich mochte diese Antwort auch. :)

mmh