هوش مصنوعی در اخترشناسی و کمک به شناخت کیهان

داده‌ها نقشی حیاتی در اخترشناسی دارند و همزمان با بزرگ‌تر شدن کیهان، اطلاعات ما درباره آن نیز بیشتر می‌شود. از جمله بزرگ‌ترین چالش‌هایی که نسل بعدی اخترشناسی با آنها دست و پنجه نرم می‌کند، چگونگی مطالعه‌ی این حجم از داده‌های گردآوری شده است. به اعتقاد اخترشناسان پیروزی در این چالش با استفاده از هوش مصنوعی در اخترشناسی و همچنین استفاده از کاربردهای یادگیری ماشین میسر است.  آن‌ها به دنبال ساخت ابزارهای جدیدی هستند تا به سرعت به موفقیت‌های بعدی دست‌یابند. در ادامه با روش‌هایی آشنا می‌شوید که اخترشناسان در آن‌ها از هوش مصنوعی استفاده می‌کنند.

  1. شکار سیاره‌ها

روش‌های معدودی برای پیداکردن سیارات وجود دارد که بهترین آن‌ها روش گذر سیاره‌ای است. زمانی که یک سیاره ‌فراخورشیدی از مقابل ستاره مادر می‌گذرد، جلوی نوری را که از آن ستاره به زمین می‌رسد، می‌گیرد.

اخترشناسان با رصد مدارهای متعدد یک سیاره فراخورشیدی، تصویری از کاهش درخشش آن ایجاد کرده و با کمک آن می‌توانند خصوصیات سیاره مانند جرم، اندازه، و فاصله آن را  تا ستاره‎ مادر را شناسایی کنند. تلسکوپ کپلر ناسا با استفاده از این تکنیک موفق شده است هزاران ستاره را به طور همزمان رصد کرده و کاهش محسوس درخشش آن‌ها را که ناشی از گذر سیاره بوده است ثبت کند.

اگر چه انسان در حال حاضر به خوبی می‌تواند این کاهش درخشش ستاره‌ها را رصد کند، امّا پیشرفت در این مهارت نیاز به زمان دارد. با اختصاص ماموریت‌های بیشتر به ماهواره‌ها برای پیدا‌کردن سیاره‌های فرا خورشیدی (مانند ماهواره شناسایی گذر سیاره‌های فراخورشیدی معروف به تِس)، حجم اطلاعات دریافتی بسیار بالا رفته است و انسان قادر نیست پا به پای این تحولات پیش برود. اینجاست که کاربرد هوش مصنوعی در اخترشناسی می‌تواند کارساز باشد.

تکنیک‌های سری‌های زمانی، یا به عبارتی تکنیک‌هایی که داده ها را در بازه‌های زمانی متوالی تحلیل می‌کنند، با نوعی از هوش مصنوعی تلفیق شده‌اند تا با ۹۶ دصد دقت مشخص کنند سیگنال‌های دریافتی، از یک سیاره فراخورشیدی به تلسکوپ رسیده است.

  1. امواج گرانشی

از مدل‌های سری زمانی علاوه بر شناسایی سیاره‌های فراخورشیدی، می‌توان در شناسایی مخرب‌ترین رویداد‌های جهان، یعنی برخورد سیاه‌چاله‌ها و ستاره‌های نوترونی، استفاده کرد.

زمانی که این اجرامِ به شدت متراکم در خود فرو می‌ریزند، امواجی را در فضا-زمان متساعد می‌کنند که اینجا بر روی زمین با حسگر‌های موج گرانشی (دستگاه‌های اندازه‌گیری سیگنال‌های ضعیف) قابل شناسایی هستند. رصدخانه‌های لایگو و ویرگو تاکنون ده‌ها بار، و همه با کمک یادگیری ماشین، رسیدن این امواج به زمین را شناسایی کرده‌اند.

  1. The changing sky

تیم رصدخانه‌های لایگو با آموزش مدل‌ها بر روی داده‌های شبیه‌سازی شده از برخورد سیاه‌چاله‌ها، می‌توانند چند لحظه قبل از وقوع آن‌ها را پیش‌بینی کرده و به اخترشناسان سرتاسر دنیا اطلاع دهند تا برای تماشای این رویداد لنزِ تلسکوپ خود را در جهت درست قرار دهند.

زمانی که رصدخانه در حال احداث ورا سی روبین در شیلی شروع به کار کند، هر شب از تمام آسمان عکس خواهد گرفت، و در هر عکس‌برداری تصویری با بیش از ۸۰ ترابایت حجم جمع‌آوری خواهد کرد، تا تغییرات ستاره‌ها و کهکشان‌ها را در گذر زمان بررسی کند. هر ترابایت برابر۸،۰۰۰،۰۰۰،۰۰۰،۰۰۰ بیت است.

پس از اینکه میراث پژوهشیِ فضا زمان که با تلسکوپ روبین برای انجام عملیات‌های برنامه‌ریزی شده آماده می‌شود، این تلسکوپ صدها داده‌ی پتابایت را جمع‌آوری و پردازش خواهد کرد. شایان ذکر است که ذخیره هر عکس در فیس‌بوک  ۱۰۰ پتابایت فضا لازم دارد، به عبارت دیگر ۱۰۰ پتابایت برابر حجم یک ویدیوی HD به طول هفتصد سال است.

نمی‌توانید به راحتی وارد سرور شده و داده‌ها را دانلود کنید، حتی اگر بتوانید داده‌ها دانلود کنید، نمی‌توانید چیزی را که می‌خواهید به راحتی پیدا کنید.

از تکنیک‌های یادگیری ماشین برای جستجوی در پژوهش‌های آتی و برجسته سازی داده‌های مهم استفاده خواهد شد. برای مثال، ممکن است یک الگوریتم به جستوجوی عکس‌ رویدادهای نادر مانند ابرنواخترها (انفجارهای ناگهانیِ پایان عمر یک ستاره) بپردازد و الگوریتمی دیگر به جست‌وجوی اختروَش باشد. با آموزش رایانه‌ها برای تشخیص سیگنال‌ پدیده‌های خاص نجومی، تیم قادر خواهد بود داده‌های مناسب را به دست افراد مناسب برساند.

  1. عدسی گرانشی

یکی از چالش‌های هوش مصنوعی در اخترشناسی این است که با بزرگ‌تر شدن حجم اطلاعات جمع آوری شده در مورد جهان، گاهی لازم است داده‌های ناکارا را تصحیح کرده یا دور بریزیم. پس چگونه می‌توانیم نادرترین اجرامِ کیهانی را در این مجموعه داده‌ها پیدا کنیم؟

یکی از پدیده‌های آسمانی که بسیاری از اخترشناسان را به وجد می‌آورد، عدسی‌های گرانشی قوی است. عدسی گرانشی زمانی روی می‌دهد که دو کهکشان در امتداد خط دید ما صف می‌کشند و جاذبه کهکشان نزدیکتر به مثابه یک عدسی عمل می‌کند و جسم دورتر را بزرگ نشان می‌دهد و در نتیجه، حلقه ها، صلیب ها و تصاویر دوتایی ایجاد می‌کند.

پیداکردن این لنزها مانند گشتن به دنبال سوزن در انبار کاه است_ انبار کاهی به بزرگی جهان قابل رویت. این جست‌وجو با جمع‌آوری عکس‌های بیشتر و بیشتر از کهکشان‌ها دشوارتر نیز می‌شود. در سال ۲۰۱۸، اخترشناسان از سراسر جهان در چالش یافتن عدسی گرانشی قوی حضور یافته و با هم به رقابت پرداختند تا بهترین الگوریتم را برای یافتن خودکار این عدسی‌ها پیدا کنند.

برنده این چالش از مدلی به نام شبکه عصبی کانولوشن استفاده کرد. شبکه عصبی کانولوشن تا زمانی که یاد بگیرد وجود عدسی گرانشی را در تصاویر شناسایی کند، آنها را با استفاده از فیلترهای مختلف تجزیه می‌کند. با کمال تعجب، عملکرد این مدل‌ها در شناسایی تصاویر حتی بهتر از انسان بود و تفاوت‌های ظریفی را در تصاویر پیدا کرد که ما انسان‌ها در مشاهده آن‌ها مشکل داریم.

در طول دهه آینده، منجمان با استفاده از ابزارهای جدید مانند رصدخانه ورا سی روبین، هزاران ترابایت داده جمع‌آوری خواهند کرد. هرچه عمیق‌تر به جهان هستی ‌می‌نگریم، می‌بینیم اخترشناسان بیش‌از پیش به تکنیک‌های یادگیری ماشین متکی هستند.