تجهیزات هوش مصنوعی چه کمکی به علم نجوم می‌کند؟

اطلاعات ما درباره کیهان و جهان هستی روز به روز در حال گسرش است. اما نسل آینده چگونه می‌خواهد این حجم از داده‌ها را مطالعه و بررسی کند؟

اخترشناسان در تلاش هستند به کمک یادگیری ماشین و تجهیزات هوش مصنوعی (AI) سرعت اکتشافات خود در علم نجوم را بهبود بخشند. در ادامه با چهار روش برای تحقق این امر آشنا می‌شویم.

1. کشف سیارات مختلف

راه‌های متعددی برای کشف سیارات جدید وجود دارد که مهم‌ترین آن‌ها مطالعه رد پایی است که هنگام عبور از یک منطقه از خود بر جای می‌گذارند. هنگامی که یک سیاره فراخورشیدی از مقابل ستاره مادر عبور می‌کند، جلوی نور را گرفته و باعث می‌شود بخشی از ستاره تاریک به نظر برسد.

محققان با مطالعه چنین پدیده‌ای می‌توانند برخی از مشخصات سیاره، از جمله اندازه و فاصله آن تا ستاره مادر را تخمین بزنند. اما در صورت انجام مأموریت‌های بیشتر برای یافتن سیارات فراخورشیدی جدید، حجم عظیمی از داده‌ها بر سر دانشمندان فرو می‌ریزد؛ تا جایی که دیگر قادر به بررسی دقیق و سریع اطلاعات نخواهند بود. اینجاست که هوش مصنوعی وارد عمل می‌شود. 

ترکیب تکنیک‌های تجزیه و تحلیل سری‌های زمانی با تجهیزات هوش مصنوعی باعث می‌شود محققان سیگنال‌های ساطع شده از سیارات فراخورشیدی را تا 96 درصد دقیق‌تر شناسایی کنند.

2. شناسایی امواج گرانشی به کمک تجهیزات هوش مصنوعی

مدل‌های مربوط به سری زمانی تنها برای یافتن سیارات فراخورشیدی به کار نمی‌روند، بلکه برای شناسایی سیگنال‌های یک رویداد فاجعه‌بار مثل ادغام سیاهچاله‌ها و ستاره‌های نوترونی نیز خارق‌العاده هستند.

هنگامی که این اجرام بسیار متراکم به داخل سقوط می‌کنند، ریپل هایی در بعد چهارم (فضا-زمان) منتشر می‌شود که می‌توان با اندازه‌گیری سیگنال‌های ضعیف، از روی زمین نیز آن‌ها را شناسایی کرد. لیگو و ویرگو، دو ردیاب امواج گرانشی هستند که به کمک فناوری یادگیری ماشین تا کنون ده‌ها رویداد این چنینی را شناسایی کرده‌اند.

با استفاده از مدل‌های آموزشی مربوط به داده‌های شبیه‌سازی‌شده از ادغام سیاهچاله‌ها، می‌توان کاری کرد لیگو و ویرگو رویدادهای بالقوه را به محض رخ دادن شناسایی کرده و به اخترشناسان سراسر جهان هشدار دهند تا تلسکوپ‌های خود را در مسیر درست تنظیم کنند.

3. آسمان متغیر

رصدخانه Vera Rubin کشور شیلی فعلا در دست ساخت است اما به زودی فعالیت خود را آغاز می‌کند. این رصدخانه قرار است آسمان شب را مورد بررسی قرار دهد و یک‌باره بیش از 80 ترابایت تصویر را جمع‌آوری کند تا بلکه بدین ترتیب، محققان از نحوه تغییر ستاره‌ها و کهکشان‌ها با گذر زمان آشنا شوند. در اینجا یاد خاطرنشان کنیم هر ترابایت معادل 8,000,000,000,000 بیت است.

تجهیزات هوش مصنوعی در رصدخانه صدها پتابایت داده را جمع‌آوری و پردازش خواهند کرد. شاید جالب باشد بدانید حجم کلیه تصاویر موجود در فیس‌بوک تنها 100 پتابایت است. برای درک بهتر، حجم یک فیلم فول اچ‌دی را تصور کنید که دیدن آن 700 سال طول می‌کشد.

تکنیک‌های یادگیری ماشین بار دیگر به کمک علم نجوم می‌آیند؛ بدین ترتیب که ضمن جستجوی دقیق اطلاعات، داده‌های مهم را نیز هایلایت می‌کنند. مثلا یک الگوریتم به دنبال رویدادهای نادر مانند سوپرنوا (انفجار مهیبی که در لحظه پایان عمر ستارگان رخ می‌دهد) می‌گردد و یک الگوریتم دیگر در جستجوی اختروش یا کوازارها (هسته فعال به شدت نورانی در کهکشان) است.

پس از آموزش کامپیوترها، مسیر برای شناسایی سیگنال پدیده‌های نجومی خاص هموار شده و می‌توان داده‌های مناسب را به دست افراد کاردان سپرد.

4. کشف عدسی گرانشی با استفاده از  تجهیزات هوش مصنوعی

علاوه بر جمع‌آوری و مطالعه داده، باید بتوانیم اطلاعات به درد نخور را نیز حذف کنیم. اما کدام داده‌ها را می‌توان جزء موارد مهم و کمیاب در علم نجوم به شمار آورد؟

یکی از پدیده‌های آسمانی که واقعا دانشمندان را به وجد می‌آورد، همگرایی گرانشی است. این پدیده نادر زمانی اتفاق می‌افتد که دو کهکشان در امتداد خط دید ما قرار گیرند. نیروی گرانش کهکشان نزدیک‌تر مانند عدسی عمل کرده و سبب بزرگنمایی اجرام دورتر می‌شود. در نهایت یک حلقه نورانی به وجود می‌آید که واقعا خیره‌کننده است.

یافتن عدسی گرانشی مانند پیدا کردن سوزن در انبار کاه است؛ یک انبار کاه به وسعت جهان هستی. بدیهی است هر چه تصویر بیشتری از کهکشان گرفته شود، جستجوی چنین پدیده‌هایی نیز دشوارتر می‌شود. جالب است بدانید سال 2018 گروهی از خبره‌ترین دانشمندان جهان با یکدیگر به رقابت پرداختند تا ببینند چه کسی موفق به نوشتن بهترین الگوریتم برای یافتن خودکار عدسی‌های گرانشی می‌شود.

برنده این چالش از مدلی به نام شبکه عصبی کانولوشنی استفاده کرد که قادر است با تجزیه تصاویر به کمک فیلترهای مختلف، وجود عدسی در آن‌ها را شناسایی کند. تجهیزات هوش مصنوعی قادر هستند تغییرات حساس و جزئی که در تصاویر وجود دارند را هزاران برابر بهتر از انسان‌ها تشخیص دهند.