Bachelor Projekt Systementwicklung

1. Im letzten Wintersemester wurden im Projekt Data Science auf Radioastronomiedaten Kohonenmaps trainiert, auch Selforganizing Maps (SOM) genannt. Wir konnten ausgehend von Radioastronomiedaten (LoTSS Data Release 1) Galaxien automatisch nach ihrer Erscheinung (die sogenannte Morphologie) sortieren und 'interessante' Erscheinungen von 'langweiligen' punktförmigen Galaxien trennen, siehe das Bild oben. Aufbauend auf die dort entwickelten Skripte wollen wir unsere Analysen mit weiteren Daten verfeinern und die verwendete Analysesoftware PINK erweitern: Mittlerweile sind weitere Daten verfügbar (LoTSS Data Release 2), aus denen wir weitere spannende Galaxien entdecken wollen. PINK ist ein in C++ und CUDA geschreibenes Programm, das die SOMs aus ausgeschnittenen Bilddaten generiert. Dabei wird in einem Training von neuronalen Netzen versucht, ähnliche Bilder zu sogenannten Knoten zusammenzufassen, die durch ein Bild repräsentiert sind. Das Training ist unüberwacht, das heißt, wir müssen die Bilder nicht erst aufwändig labeln, sondern die SOM wird nur anhand der Ähnlichkeit der Bilder erstellt. PINK kann dabei die Bilder der Galaxien drehen, um eine möglichst gute Übereinstimmung zu finden. Allerdings ist bei Bildern, die mehrere Intensitätsmaxima haben, der Abstand nicht normiert. Wir wollen im Projekt PINK so erweitern, dass nicht nur die Rotation sondern auch die Skalierung in bestimmten Grenzen angepasst wird, um bessere Cluster mit spannenderen Morphologien zu erzielen. Je nach Interesse besteht dabei die Möglichkeit, in die CUDA-Programmierung auf Nvidia-Grafikkarten einzusteigen oder auch beim bekannten C++ zu verbleiben.

2. Überprüfung eines 'Citizen Science' Projekts mit SOM. In einem Citizen Science Projekt (Freiwillige normale Bürger helfen bei der Analyse von wissenschaftlichen Daten mit) sollen Radioastronomiedaten bearbeitet werden. Eine Mitarbeiterin der Landessternwarte ist in dieses Projekt involviert. Wir wollen mit Hilfe der SOM die Ergebnisse der Laien überprüfen, indem wir die Ergebnisse clustern. Auf diese Art und Weise kann eine Qualitätskontrolle aufgebaut werden, bei der ungewöhnliche und möglicherweise falsche Analysen durch die Laien automatisiert aussortiert werden um gegebenenfalls von Experten angeschaut werden zu können. Wir sind hier also in aktuelle Forschungsarbeiten eingebunden. Als Werkzeug wollen wir ebenfalls PINK verwenden, wobei hier mehr die reine Anwendung von PINK im Vordergrund steht, und nicht die Erweiterung. Es ist zu erwarten, dass wir dafür mehr für die Konvertierung und Aufbereitung der Daten programmieren müssen, da wir hier noch keine fertigen Konvertierungsskripte haben.