نجوم علم دادههاست. جهان رو به گسترش است و اطلاعات ما در مورد آن نیز رو به افزایش است. اما بزرگترین چالش پیش روی نسل آینده این است که چطور میتوان تمام دادههای گردآوری شده را مطالعه کرد. برای مقابله با این چالش بزرگ، ستاره شناسان دست به دامن هوش مصنوعی و یادگیری ماشینی شدهاند.
در اینجا به چند نمونه از کاربردهای هوش مصنوعی در ستاره شناسی اشاره خواهیم کرد.
آینده پژوهی و آینده نگاری
شکار سیارات
چندین راه برای یافتن یک سیاره وجود دارد، اما موفقترین آنها روش گذر است. زمانی که یک ستاره فراخورشیدی از مقابل ستاره مادرش میگذرد، تابش خیره کننده و نور زیاد ستاره مادر باعث میشود نور ستاره فراخورشیدی به درستی دیده نشود و یا به اصطلاح افت کند.
آینده پژوهی فناوری
ستاره شناسان با مشاهده بسیاری از مدارهای یک سیاره فراخورشیدی تصویری از افت نور سیاره میسازند که از آن میتوانند برای شناسایی ویژگیهای یک سیاره، مانند جرم، اندازه و فاصله آن از ستاره خود استفاده کنند. تلسکوپ فضایی کپلر ناسا در حالی که همزمان مراقب افت نور ناشی از سیارات است، از این تکنیک برای تماشای همزمان هزاران سیاره استفاده میکند.
آینده پژوهی هوش مصنوعی
انسانها بسیار خوب توانستهاند کاهش نورها را تشخیص بدهند، اما این مهارتی است که نیاز به مطالعه بیشتری دارد. با توجه به مأموریتهای بیشتری که برای یافتن سیارات فراخورشیدی جدید اختصاص داده میشود (مانند ماهواره نقشهبردار فراخورشیدی گذران ناسا)، باید گفت انسانها دیگر نمیتوانند در این زمینه به تنهایی ادامه دهند، لذا هوش مصنوعی به کمک انسانها میآید.
تکنیکهای تحلیلی سری زمانی که دادهها را بر اساس ترتیب زمانی مورد مطالعه قرار میدهند، به همراه هوش مصنوعی توانستهاند سیگنالهای سیارات را با ۹۶ درصد دقت به درستی شناسایی کنند.
آینده تکنولوژی
امواج گرانشی
تکنیکهای سری زمانی نه تنها برای شناسایی سیارات فراخورشیدی مناسب هستند، بلکه برای یافتن سیگنالهای فاجعهبارترین رویدادهای جهان مانند برخورد سیاه چالهها و ستارههای نوترونی نیز بسیار عالی هستند. هنگامی که این اجسام فوق العاده متراکم سقوط میکنند، امواجی را در فضا – زمان ساطع میکنند که سیگنالهای ضعیف آن از روی زمین قابل اندازهگیری است. ردیابهای امواج گرانشی همچون Ligo و Virgo توانستهاند سیگنالهای دهها مورد از تصادم سیاه چالهها و سیارات نوترونی را به کمک یادگیری ماشینی شناسایی کنند.
Ligo و Virgo با آموزش دیدن بر اساس دادههای شبیه سازی شده حاصل از برخورد سیاه چالهها قادر خواهند بود رویدادهای احتمالی را در لحظه وقوع شناسایی کرده و هشدارهایی برای ستاره شناسان در سرتاسر جهان ارسال کنند تا تلسکوپهای خود را در جهت درست بچرخانند.
آینده نگاری فناورانه
آسمان در حال تغییر
زمانی که رصدخانه Vera Rubin که در حال حاضر در شیلی در حال ساخت است، آنلاین شود، میتواند در تمام کل شب آسمان را رصد کند. این رصد خانه قادر است بیش از ۸۰ ترابایت تصویر را جمع آوری کند تا ببیند ستارهها و کهکشانها در گذر زمان چه تغییراتی میکنند. یک ترابایت ۸،۰۰۰،۰۰۰،۰۰۰،۰۰۰ بیت است.
برنامه ۱LSST با مدیریت روبین قادر است صدها پتابایت داده را گردآوری و پردازش کند. با چنین حجم وسیعی از دادهها، شما نمیتوانید با وارد شدن به سرورها این حجم از دادهها را دانلود کنید، حتی اگر بتوانید دادهها را دانلود کنید، نمیتوانید آنچه که به دنبال آن هستید را پیدا کنید. لذا برای جستجوی ارزیابیهای نسل بعدی و برجسته نمودن دادههای مهم، تکنیکهای یادگیری ماشینی به کمک انسانها خواهند آمد.
به عنوان مثال، ممکن است وظیفه یک الگوریتم جستجوی تصاویری از رویدادهای نادری همچون ابرنواخترها و یا انفجارهای چشمگیر در پایان عمر یک ستاره باشد و الگوریتم دیگری وظیفه جستجوی اختروشها را داشته باشد. با آموزش رایانهها برای تشخیص سیگنالهای پدیدههای نجومی خاص، یک تیم میتواند دادههای درست را در دسترس افراد مناسب قرار دهد.
آینده فناوری
همگرایی گرانشی
با جمعآوری هرچه بیشتر دادهها در مورد جهان، گاهی اوقات مجبور میشویم دادههایی که مفید نیستند را دور بریزیم. بنابراین چگونه میتوانیم نادرترین چیزها را در میان انبوه دادهها پیدا کنیم؟ یکی از پدیدههای آسمانی که بسیاری از ستاره شناسان را به وجد میآورد، همگرایی قوی گرانشی است. این پدیده زمانی اتفاق میافتد که دو کهکشان در امتداد خط دید ما قرار میگیرند و گرانش نزدیکترین کهکشان همانند یک عدسی عمل کرده و جسم دورتر را بزرگتر میکند. هرچه جرم کهکشان نزدیک، بیشتر باشد، میدان گرانشی قویتری ایجاد خواهد شد. به این پدیده همگرایی گرانشی گفته میشود. ستاره شناسان از این پدیده برای رصد کهکشانهای دور دست استفاده میکنند.
یافتن این نوع همگراییها همانند یافتن یک سوزن در انبار کاه است. انبار کاهی به وسعت یک جهان. این جستجو با جمعآوری تصاویر بیشتری از کهکشانها سختتر میشود.
در سال ۲۰۱۸ ستاره شناسان از سرتاسر دنیا دور هم جمع شدند تا برای یافتن عدسیهای گرانشی قوی با هم رقابت کنند تا ببیند چه کسی میتواند بهترین الگوریتم را برای یافتن خودکار این نوع لنزهای گرانشی ایجاد کند.
برنده این چالش توانست با استفاده از مدلی بر پایه شبکه عصبی پیچیده یا کانولوشن، تصاویر متفاوت را به کمک فیلترهای مختلف تجزیه کرده و در نهایت آنها را در گروههای با عدسی و یا بدون عدسی قرار دهد. این مدلها در پیداکردن تفاوتهای جزئی در تصاویر بهتر از انسانها عمل میکنند.
در طول دهه آینده، ستاره شناسان با استفاده از ابزارهای جدیدی مانند رصدخانه ورا روبین قادر خواهند بود هزاران ترابایت داده را جمعآوری کنند. این نشان میدهد که مطالعات ستاره شناسان در آینده به طرز چشمگیری بر تکنیکهای یادگیری ماشینی متکی خواهد بود.
[۱] Legacy survey of space and time
منبع: www.weforum.org
۰ دیدگاه