امروز۲۹ شهریور ۱۴۰۰
ردپای هوش مصنوعی در علم نجوم

ردپای هوش مصنوعی در علم نجوم

  • ستاره شناسان به منظور ساخت ابزارهای جدید برای تحقیقات خود به طور فزاینده‌ای به هوش مصنوعی روی آورده‌اند.
  • هوش مصنوعی ابزاری حائز اهمیت برای اخترشناسان است چراکه آن‌ها در دهه آینده مطالعات ژرف‌تری را پیرامون جهان انجام خواهند داد.

آینده پژوهی و آینده نگاری

نجوم علم داده‌ها و اطلاعات است. از آنجاکه جهان روبه انبساط و بزرگ شدن است، اطلاعاتی که در مورد آن بدست می‌آوریم نیز روبه افزایش هستند. اما چگونگی مطالعه تمامی داده‌های جمع آوری شده، از بزرگترین چالش‌های نسل بعدی نجوم است.

برای مقابله با این چالش‌ها‌، ستاره شناسان به یادگیری ماشین و هوش مصنوعی (AI) روی آورده‌اند تا ابزار جدیدی را به منظور جستجوی سریع اطلاعات در راستای پیشرفت‌های بزرگ بعدی بسازند.

در اینجا برخی از زمینه‌هایی که هوش مصنوعی در آن‌ها به کمک ستاره شناسان می‌آید، توضیح داده شده است.

آینده پژوهی فناوری

  • شکار سیاره

چندین راه برای یافتن یک سیاره وجود دارد، اما موفق‌ترین آن‌ها مطالعه گذرگاه‌ها است. وقتی یک سیاره فراخورشیدی از مقابل ستاره مادر خود عبور می‌کند، مقداری از نوری را که ما می‌توانیم مشاهده کنیم مهار می‌کند. ستاره شناسان با مشاهده تعداد زیادی از مدارهای یک سیاره فراخورشیدی، تصویری براساس افت و کاهش نور ایجاد می‌نمایند که می‌توانند از آن برای شناسایی خواص این سیاره مانند جرم، اندازه و فاصله آن از ستاره‌اش استفاده کنند.

تلسکوپ فضایی کپلر ناسا این تکنیک را با مشاهده هزاران ستاره در آنِ واحد و تبعیت از افت‌های واضح ناشی از سیارات، بکار گرفته است.

هوش مصنوعی در کشف سیاره

بهره‌گیری از هوش مصنوعی به منظور کشف سیاره

آینده پژوهی هوش مصنوعی

با انجام مأموریت‌های بیشتر برای یافتن سیاره‌های فراخورشیدی جدید، مانند ماهواره نقشه‌بردار فراخورشیدی گذران ناسا و از آنجایی‌که انسان‌ها نمی‌توانند این افت‌ها و کاهش‌ها را مشاهده کنند، هوش مصنوعی وارد عمل می‌شود. تکنیک‌های تحلیل سری‌های زمانی -که داده‌ها را به صورت دنباله‌ای متوالی با زمان تجزیه و تحلیل می‌کند- با نوعی هوش مصنوعی ترکیب شده‌اند تا سیگنال‌های سیاره‌های فراخورشیدی را با دقت ۹۶ درصد با موفقیت شناسایی کنند.

آینده تکنولوژی

  • امواج گرانشی

مدل‌های سری زمانی صرفاً برای یافتن سیارات فراخورشیدی کارآمد نیستند، بلکه برای یافتن سیگنال‌های فاجعه‌بارترین رویدادها در جهان – برخورد بین سیاه‌چاله‌ها و ستارگان نوترونی- نیز مناسب هستند. هنگامی که این اجسام فوق العاده متراکم سقوط می‌کنند، امواجی را در فضا ارسال می‌کنند که با اندازه گیری سیگنال‌های ضعیف برروی زمین قابل تشخیص است. آشکارسازهای امواج گرانشی Ligo و Virgo سیگنال‌های ده‌ها مورد از این رویدادها را شناسایی کرده‌اند که همه آن‌ها با کمک یادگیری ماشین انجام شده است. با تخصص مدل‌های شبیه سازی شده از ادغام سیاهچاله‌ها، تیم‌های Ligo و Virgo می‌توانند رویدادهای احتمالی را در لحظات وقوع آن‌ها شناسایی کرده و هشدارهایی را به اخترشناسان سراسر جهان ارسال کنند تا تلسکوپ‌های خود را در مسیر درست بچرخانند.

هوش مصنوعی و کشف امواج گرانشی

کاربرد هوش مصنوعی در یافتن سیگنال‌های رویدادهای فاجعه‌بار

آینده نگاری فناورانه

  • تغییر آسمان

وقتی رصدخانه ورا روبین که هم‌اکنون در شیلی ساخته می‌شود‌ آنلاین شود‌، هر شب تمام آسمان شب را بررسی می‌کند – بیش از ۸۰ ترابایت تصویر را در یک حرکت جمع آوری می‌کند – تا ببیند چگونه ستارگان و کهکشان‌های جهان با گذشت زمان تغییر می‌کنند. یک ترابایت ۸،۰۰۰،۰۰۰،۰۰۰،۰۰۰ بیت است.

در طی عملیات برنامه ریزی شده، بررسی فضا و زمان که توسط روبین انجام می‌شود صدها پتابایت داده را جمع آوری و پردازش می‌کند. به عبارت دیگر، هر۱۰۰ پتابایت تصویر از فضا معادل با فضایی برای حدود ۷۰۰ سال فیلم با وضوح کامل است. شما نمی‌توانید فقط وارد سرورها شوید و این داده‌ها را دانلود کنید و حتی اگر این کار را انجام دهید، نمی‌توانید آنچه را که بدنبال آن هستید پیدا کنید. از تکنیک‌های یادگیری ماشین برای جستجوی این پایش‌ها و ارزیابی‌های نسل بعدی و برجسته کردن داده‌های مهم استفاده خواهد شد. 

به عنوان مثال ممکن است یک الگوریتم تصاویر را برای رویدادهای نادر مانند ابرنواخترها – انفجارهای چشمگیر در پایان عمر یک ستاره- جستجو کند و دیگری ممکن است در جستجوی اختروش‌ها باشد. با آموزش کامپیوترها به منظور تشخیص سیگنال‌های پدیده‌های خاص نجومی، تیم قادر خواهد بود داده‌های مناسب در دسترس افراد مناسب قرار دهد.

یادگیری ماشین در پایش اطلاعات بدست آمده از فضا و زمان

بهره‌گیری از یادگیری ماشین در پایش اطلاعات بدست آمده از فضا و زمان

آینده فناوری

  • همگرایی‌های گرانشی

همانطور که اطلاعات بیشتری را در مورد جهان جمع آوری می‌کنیم، گاهی اوقات حتی مجبور هستیم داده‌هایی را که مفید نیستند جمع آوری و سپس دور بریزیم. بنابراین چگونه می‌توانیم نادرترین چیزها را در این مجموعه داده پیدا کنیم؟

یکی از پدیده‌های آسمانی که بسیاری از ستاره شناسان را به وجد می‌آورد ، همگرایی‌های گرانشی قوی است.

این پدیده زمانی اتفاق می‌افتد که دو کهکشان در امتداد خط دید ما کنار هم قرار بگیرند. در این حالت گرانش نزدیکترین کهکشان به عنوان یک عدسی عمل کرده و باعث بزرگنمایی جسم دورتر می‌شود و حلقه‌ها و تصاویر متقاطع و دوگانه ایجاد می‌کند.

یافتن این همگرایی‌ها مانند یافتن سوزن در انبار کاه – انبار بزرگی به اندازه جهان- است.

این یک کاوش است که فقط با جمع آوری تصاویر بیشتر از کهکشان‌ها سخت‌تر می‌شود.

در سال ۲۰۱۸، ستاره شناسان از سراسر جهان در چالش یافتن همگرایی گرانشی قوی به رقابت پرداختند تا ببینند چه کسی می‌تواند بهترین الگوریتم را برای یافتن خودکار این همگرایی‌ها ایجاد کند.

برنده این چالش از مدلی به نام شبکه عصبی کانولوشن استفاده کرد که تصاویر را با استفاده از فیلترهای مختلف تجزیه می‌کند تا بتواند آن‌ها را به عنوان همگرایی یا غیرآن طبقه بندی نماید.

با کمال تعجب، این مدل‌ها حتی از افراد هم بهتر بودند و تفاوت‌های ظریفی را در تصاویر پیدا کردند که ما انسان‌ها در مشاهده آن‌ها با چالش روبرو هستیم.

استفاده از الگوریتم در یافتن همگرایی‌های گرانشی

استفاده از الگوریتم در یافتن همگرایی‌های گرانشی

 

طی دهه آینده، با استفاده از ابزارهای جدیدی مانند رصدخانه ورا روبین، ستاره شناسان پتابایت داده، یعنی هزاران ترابایت اطلاعات را جمع آوری می‌کنند. با نگاه عمیق‌تر به جهان‌، می‌بینیم که تحقیقات ستاره شناسان به طور فزاینده‌ای بر تکنیک‌های یادگیری ماشین متکی خواهد بود.

منبع: www.weforum.org

اشتراک‌گذاری

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

*

code