نقش هوش مصنوعی در علم نجوم چیست؟
شکار سیاره‌ها
روش‌های متعددی برای پیدا کردن سیارات جدید وجود دارد؛ اما کارآمدترین آن‌ها، مطالعه و بررسی حرکاتِ گذاری سیارات است. وقتی سیاره‌ای فراخورشیدی از جلوی ستاره مادرش عبور می‌کند، جلوی قسمتی از نوری را می‌گیرد که برای ما قابل‌مشاهده است.
منجمان با مشاهده حرکاتِ گذاری و چرخشی سیارات فراخورشیدی، این نقاط تاریک را به تصویر در می‌آورند و سپس به کمک آن، خواص و ویژگی‌های آن سیاره، از جمله حجم، اندازه و فاصله‌اش از ستاره مادر را تشخیص می‌دهند. تلسکوپ فضایی ناسا، کپلر، با استفاده از همین تکنیک موفق شد، هزاران ستاره را به صورت همزمان تماشا کند، تا نقاط تاریکی را که در خصوص سیاره‌های موردنظر اطلاعات مفیدی به دست می‌دهند، پیدا کند.
انسان‌ها به خوبی می‌توانند این نقاط تاریک را ببینند؛ اما به دست آوردن این مهارت به زمان زیادی نیاز دارد. علاوه بر این، شمار پروژه‌هایی همچون ماهواره تحقیقاتی حرکات فراخورشیدی ناسا که به هدف کشف سیارات فراخورشیدی انجام می‌شوند، رو به افزایش است و افراد نمی‌توانند پا به پای این سرعت پیش بروند.
نقش هوش مصنوعی در علم نجوم در این زمینه این است که با ادغام تکنیک‌های آماری همچون تحلیل سری‌های زمانی (که داده‌ها را به صورت توالی زمانی در نظر می‌گیرد) با هوش مصنوعی می‌توان دقت تشخیص سیگنال‌های به‌دست‌آمده از سیاره‌های فراخورشیدی را تا ۹۶ درصد افزایش داد.
امواج گرانشی
کاربرد مدل‌های سری زمانی محدود به یافتن سیارات فراخورشیدی نیست؛ بلکه برای پیدا کردن سیگنال‌های حاصل از فاجعه‌بارترین رویدادهای جهان، همچون ادغام سیاه‌چاله‌ها و ستاره‌های نوترونی نیز می‌توان از آن‌ها استفاده کرد. وقتی این اجسامِ به شدت متراکم، به درون خود فرو می‌روند، امواجی در ساختار فضا- زمان به وجود می‌آیند که به صورت سیگنال‌هایی ضعیف از سطح زمین قابل‌دریافت هستند. شرکت‌های Ligo و Virgo با همکاری یکدیگر سیستم تشخیص‌گر امواج گرانشی تولید کرده‌اند که توانسته است سیگنال‌های حاصل از ده‌ها رویدادِ این‌چنینی را تشخیص بدهد؛ در ساخت این سیستم‌ها از فناوری یادگیری ماشین، استفاده شده است و در واقع این نقش هوش مصنوعی در علم نجوم در این زمینه است.
محققان Ligo و Virgo مدل‌های خود را روی تصاویر شبیه‌سازی‌شده از ادغام سیاه‌چاله‌ها آموزش داده‌اند. این مدل‌ها می‌توانند رویدادهای احتمالی را تنها چند لحظه بعد از وقوع‌شان تشخیص دهند و منجمان سراسر دنیا را مطلع کنند، تا همگی تلسکوپ‌هایشان را به جهت درست بچرخانند.
آسمان در حال تغییر
رصدخانه ورا رابین در شیلی، بعد از آنلاین شدن قادر خواهد بود تمام آسمان شب را به صورت پیوسته بررسی کند. این دستگاه در هر بار فعالیت، نزدیک ۸۰ ترابایت تصویر جمع‌آوری می‌کند که نحوه تغییر ستاره‌ها و کهکشان‌ها را نشان می‌دهند؛ هر ترابایت برابر با ۸,۰۰۰,۰۰۰,۰۰۰,۰۰۰ بیت است.
طبق برنامه‌ریزی‌های انجام‌شده انتظار می‌رود پروژه رابین، به نام Legacy Survey of Space and Time، به جمع‌آوری و پردازش صدها پتابایت داده منتهی شود. برای اینکه درک بهتری از عظمت این رقم به دست آورید، لازم است اشاره کنیم که ۱۰۰ پتابایت برای ذخیره کل تصاویر موجود در فیسبوک یا ذخیره ویدئویی باکیفیت به طول ۷۰۰ سال کافی است.
با این حال، ورود به سرورها و دانلود داده‌ها امکان‌پذیر نیست و حتی اگر بود هم نمی‌توانستیم آنچه را به دنبالش هستیم، در میان دیتاستی به این بزرگی پیدا کنیم. به همین دلیل است که تکنیک‌های یادگیری ماشین برای نسل آینده پژوهش‌ها و استخراج داده‌های مهم، ضروری خواهند بود و نمی‌توان نقش هوش مصنوعی در علم نجوم در این زمینه را نادیده گرفت. به عنوان مثال، الگوریتمی را در نظر بگیرید که می‌تواند با جست‌وجو در میان تصاویر، رویدادهای نادری همچون سوپرنووا (انفجارهای چشمگیری که در انتهای زندگی ستارگان رخ می‌دهند) را پیدا کند یا الگوریتم دیگری که می‌تواند اختروش‌ها را تشخیص دهد. اگر بتوان به کامپیوترها آموزش داد، تا سیگنال‌های ناشی از پدیده‌های نجوم‌شناسی خاص را تشخیص دهند، می‌توان داده‌های درست را به دست متخصصان مربوطه رساند.
لنزهای گرانشی
در فرایند جمع‌آوری داده در خصوص جهان هستی، گاهی اوقات مجبور می‌شویم، داده‌هایی را که مفید نیستند، جدا کنیم و دور بیندازیم؛ اما در میان این داده‌های فراوان، چطور می‌توانیم رویدادهای کمیابی را که می‌خواهیم، پیدا کنیم؟ نقش هوش مصنوعی در علم نجوم در این زمینه اینجا اهمیت پیدا می‌کند.
یکی از پدیده‌های آسمانی که بسیاری از منجمان را به شگفت می‌آورد، لنزهای گرانشی قوی است؛ این پدیده زمانی اتفاق می‌افتد که دو کهکشان در خط دید ما قرار می‌گیرند و گرانش نزدیک‌ترین کهکشان مانند یک ذره‌بین عمل می‌کند و شیئی را که دورتر است، بزرگ‌تر نشان می‌دهد؛ در اثر نیروی گرانش این کهکشان، تصاویر حلقه‌مانند، شبه‌صلیب یا تصاویر دوقلو ایجاد می‌شود. پیدا کردن این لنزها مثل پیدا کردن سوزن در انبار کاه است، انبار کاهی به وسعت کل جهان هستی. هرچه تصاویر بیشتری از کهکشان‌ها در دست داشته باشیم، این جست‌وجو سخت‌تر هم می‌شود.
در سال ۲۰۱۸، چالش پیدا کردن لنز گرانشی قوی منجمان سراسر دنیا را به چالش طلبید، تا مشخص کند چه کسی اولین و بهترین الگوریتم ممکن برای جست‌وجوی خودکار این لنزها را می‌سازد.
برنده این چالش از مدلی به نام «شبکه عصبی پیچشی» استفاده کرد که تصاویر را با استفاده از فیلترهای گوناگون، تجزیه و سپس دسته‌بندی می‌کند، تا مشخص کند لنزی در آن‌ها دیده می‌شود یا خیر. نکته جالب اینجاست که این مدل‌ها نه تنها از الگوریتم‌های دیگر، بلکه از انسان‌ها هم عملکرد بهتری داشتند، چون تفاوت‌هایی در تصاویر پیدا می‌کنند که ما انسان‌ها به سختی متوجه‌شان می‌شویم.
طی دهه آینده، منجمان قادر خواهند بود با استفاده از ابزارهای جدیدی همچون رصدخانه ورا رابین، صدها پتابایت (هزاران ترابایت) داده جمع‌آوری کنند. همان‌طور که دانش ما از جهان هستی عمیق‌تر می‌شود، تحقیقات منجمان نیز بیشتر و بیشتر متکی بر تکنیک‌های یادگیری ماشین خواهند شد.
نظر شما :