موضوع نجوم همیشه دروازه ای برای کشف اسرار جهان بوده است. امروزه با ظهور هوش مصنوعی (AI)، ما شاهد یک فناوری دگرگون کننده در نجوم هستیم. هوش مصنوعی در راه کاوش و درک کیهان خود انقلابی ایجاد کرده است و به اخترشناسان این امکان را می‌دهد تا مقادیر عظیمی از اطلاعات را بررسی کنند، اجرام آسمانی جدید را بیابند و اسرار خصوصی جهان ما را کشف کنند. در این مقاله، به قلمرو هیجان انگیز هوش مصنوعی در نجوم می پردازیم و پیشرفت های پیشگامانه ای را که در این رشته الهام بخش به وجود آورده است، کشف خواهیم کرد.

پیشرفت گوش دادن

وقتی اکثر مردم یک ستاره شناس را تصویر می کنند، به شخصی فکر می کنند که در بالای یک کوه نشسته و به یک تلسکوپ عظیم نگاه می کند. البته، این تصویر قدیمی است: دوربین های دیجیتال مدت هاست که نیاز به نگاه واقعی به تلسکوپ را از بین برده اند.

اما اکنون چهره نجوم دوباره در حال تغییر است. با ظهور رایانه‌های قدرتمندتر و نقشه‌برداری‌های آسمان که مقادیر غیرقابل تصوری از داده‌ها را تولید می‌کنند، هوش مصنوعی ابزاری مناسب برای محققین مشتاق فضا است. اما همه این داده ها از کجا می آیند؟ و چگونه کامپیوترها می توانند به ما در یادگیری جهان کمک کنند؟

اشتهای هوش مصنوعی برای داده ها

این احتمال وجود دارد که اخیراً اصطلاحات “هوش مصنوعی” و “یادگیری ماشینی” را شنیده باشید، و در حالی که آنها اغلب با هم استفاده می شوند، در واقع به چیزهای مختلفی اشاره دارند. هوش مصنوعی (AI) اصطلاحی است که برای توصیف هر نوع رفتار محاسباتی که طرز تفکر و انجام وظایف انسان را تقلید می کند، استفاده می شود. یادگیری ماشینی (ML) کمی خاص‌تر است: خانواده‌ای از فناوری‌ها هستند که یاد می‌گیرند پیش‌بینی‌ها و تصمیم‌گیری‌ها را بر اساس مقادیر زیادی از داده‌های تاریخی انجام دهند. مهم‌تر از همه، ML مدل‌هایی را ایجاد می‌کند که رفتاری را نشان می‌دهند که از قبل برنامه‌ریزی نشده است، اما از داده‌های مورد استفاده برای آموزش آن آموخته شده است.

تشخیص چهره در گوشی هوشمند شما، فیلتر هرزنامه در ایمیل‌های شما، و توانایی دستیارهای دیجیتالی مانند سیری یا الکسا برای درک گفتار، همگی نمونه‌هایی از یادگیری ماشینی هستند که در دنیای واقعی استفاده می‌شوند. بسیاری از این فناوری ها اکنون توسط ستاره شناسان برای بررسی اسرار فضا و زمان مورد استفاده قرار می گیرند. نجوم و یادگیری ماشینی با هم تطابق دارند که در بهشت ساخته شده اند، زیرا اگر یک چیز وجود داشته باشد که اخترشناسان بیش از حد از آن برخوردار هستند و مدل های ML نمی توانند به اندازه کافی از آن استفاده کنند آن داده است.

همه ما با مگابایت (MB)، گیگابایت (GB) و ترابایت (TB) آشنا هستیم، اما داده ها در این مقیاس اخبار قدیمی در نجوم است. این روزها، ما به پتابایت (PB) علاقه مند هستیم. یک پتابایت حدود هزار ترابایت، یک میلیون گیگابایت یا یک میلیارد مگابایت است. برای نگهداری هر فیلم بلندی که تا کنون با وضوح 4K ساخته شده است حدود 10 PB فضای ذخیره سازی لازم است – و تماشای همه آنها بیش از صد سال طول می کشد.

ساختمانی با ظاهری آینده نگر که در کنار کوه قرار گرفته است به گنبد تلسکوپ عظیمی در قله منتهی می شود. درخشش نارنجی پس از غروب خورشید در افق است که ابرهای سیروس را با صورتی پاستلی بر فراز منظره ای از کوه های مه آلود روشن می کند.
رصدخانه روبین قرار است در سال 2024 فعالیت خود را آغاز کند.
NOIRLab/NSF/AURA
رصدخانه Vera C. Rubin، یک تلسکوپ جدید در حال ساخت در شیلی، وظیفه دارد هر شب از کل آسمان شب با جزئیات بی سابقه نقشه برداری کند. در طی یک بررسی 10 ساله، Vera Rubin حدود 60 PB داده خام تولید خواهد کرد – همه چیز را از سیارک ها در منظومه شمسی ما تا کهکشان ها در جهان دور مطالعه می کند. هیچ انسانی هرگز نمی‌تواند امیدوار باشد که همه آن داده‌ها را تجزیه و تحلیل کند – و این تنها از یکی از رصدخانه‌های نسل بعدی است که ساخته می‌شود، بنابراین رقابت بین ستاره‌شناسان در هر زمینه‌ای برای یافتن راه‌های جدید برای استفاده از قدرت هوش مصنوعی در جریان است.

شکارچیان سیاره

یکی از حوزه‌های نجوم که هوش مصنوعی در آن تأثیر چشمگیری داشته است، جستجوی سیارات فراخورشیدی است. راه‌های زیادی برای جستجوی سیگنال‌های آن‌ها وجود دارد، اما مؤثرترین روش‌ها با فناوری کنونی معمولاً شامل مطالعه تغییر درخشش ستاره در طول زمان است. اگر منحنی نور یک ستاره یک کم نوری مشخص را نشان دهد، می تواند نشانه مطمئنی از عبور یک سیاره از مقابل ستاره میزبان باشد. برعکس، زمانی که گرانش سیاره فراخورشیدی به عنوان یک عدسی عمل می‌کند و ستاره‌ای دورتر را در امتداد خط دید بزرگ‌نمایی می‌کند، پدیده‌ای به نام میکرولنزینگ گرانشی می‌تواند باعث افزایش درخشندگی ستاره شود. تشخیص این شیب‌ها و میخ‌ها به معنای غربال کردن میلیون‌ها منحنی نور است که توسط تلسکوپ‌های فضایی مانند کپلر و TESS ناسا (ماهواره بررسی سیارات فراخورشیدی گذری) جمع‌آوری شده‌اند.

با استفاده از کتابخانه های عظیم منحنی های نور مشاهده شده، ستاره شناسان توانسته اند مدل های مبتنی بر ML را توسعه دهند که می توانند در جستجوی سیارات فراخورشیدی از انسان ها بهتر عمل کنند. اما هوش مصنوعی می‌تواند بسیار بیشتر از یافتن سیارات فراخورشیدی انجام دهد: همچنین می‌تواند ستاره‌شناسان را به بینش‌های جدیدی در مورد نحوه عملکرد آن تکنیک‌ها سوق دهد.

در مقاله‌ای که در 23 مه در Nature Astronomy منتشر شد، تیمی از محققان گزارش دادند که الگوریتم‌های ML به آن‌ها کمک کرده‌اند تا درک ظریف‌تری از ریز لنز سیاره‌های فراخورشیدی را کشف کنند، و تفاسیر متعددی را از اینکه چگونه پیکربندی سیاره فراخورشیدی با ستاره میزبانش ممکن است متفاوت باشد، متحد می‌کند. این گزارش تنها چند ماه پس از آن منتشر شد که محققان DeepMind در Nature بینش‌های بنیادی جدیدی را با کمک هوش مصنوعی در مورد ریاضیات گزارش کردند.

در این انیمیشن یک ستاره و سیاره فراخورشیدی آن از مقابل یک ستاره پس زمینه عبور می کنند. مانند

آنها انجام می دهند، یک نمودار روشنایی ستاره پس زمینه را ثبت می کند. همانطور که ستاره و سیاره در مقابل یکدیگر قرار می گیرند، هر کدام به دلیل عدسی گرانشی، درخشندگی را در نمودار ایجاد می کنند: گرانش آنها نور ستاره پس زمینه اطراف آنها را خم می کند و آن را روی ما متمرکز می کند.
یک سیاره فراخورشیدی که از یک ستاره پس‌زمینه ریز لنز می‌گیرد، درخشندگی بالایی ایجاد می‌کند که توسط انسان یا الگوریتم‌ها قابل تشخیص است. با این حال، از آنجایی که میکرولنزینگ اطلاعات نسبتا کمی در مورد خود سیاره فراخورشیدی ارائه می دهد، داده ها احتمالات زیادی را برای پیکربندی سیاره با ستاره میزبانش باز می گذارد – یعنی جرم آن و اینکه چقدر به دور ستاره میزبان می چرخد. پیش از این، اخترشناسان راه‌های متعددی را شناسایی کرده بودند که در آن پیکربندی‌های مختلف ستاره و سیاره می‌توانند سیگنال میکرولنزینگ یکسانی تولید کنند. اما یادگیری ماشینی به محققان دانشگاه کالیفرنیا در برکلی و دانشگاه ایالتی اوهایو کمک کرد تا متوجه شوند که در واقع، دو مورد از این نوع ابهام – به نام انحطاط – را می توان به عنوان موارد خاص دیگری از انحطاط عمومی تر در نظر گرفت. این یافته به طور موثر نظریه یکپارچه تری از میکرولنز سیارات فراخورشیدی ایجاد کرد. جاشوا بلوم یکی از نویسندگان از دانشگاه برکلی در یک پست وبلاگ نوشت: “این کشف در دید آشکار پنهان شده بود.”
ESO/L. کلکادا/ویکی‌مدیا کامانز
اخترشناسان همچنین امیدوارند که در آینده نزدیک، یادگیری ماشینی به آنها کمک کند تا تشخیص دهند کدام سیارات ممکن است قابل سکونت باشند. ستاره شناسان با استفاده از رصدخانه های نسل بعدی مانند تلسکوپ رومی نانسی گریس و تلسکوپ فضایی جیمز وب (JWST)، قصد دارند از ML برای تشخیص آب، یخ و برف در سیارات سنگی استفاده کنند.

جعل های کهکشانی

در حالی که بسیاری از مدل های ML برای تمایز بین انواع مختلف داده ها آموزش دیده اند، سایر مدل ها برای تولید داده های جدید در نظر گرفته شده اند. این مدل‌های مولد زیرمجموعه‌ای از تکنیک‌های هوش مصنوعی هستند که محصولات داده‌های مصنوعی مانند تصاویر را بر اساس برخی درک اساسی از داده‌های مورد استفاده برای آموزش ایجاد می‌کنند.

مجموعه ای از مدل های DALL-E که توسط شرکت تحقیقاتی OpenAI توسعه داده شده است – و تقلید رایگان برای استفاده از آن، DALL-E mini – این مفهوم را در معرض دید عموم قرار داده است. این مدل‌ها تصویری را از هر دستور نوشته شده تولید می‌کنند و اینترنت را با توانایی عجیب خود در ساختن تصاویری از، به عنوان مثال، گارفیلد در قسمت‌های سینفلد، روشن کرده‌اند.

ممکن است فکر کنید که ستاره شناسان نسبت به هر نوع تصویر جعلی محتاط خواهند بود، اما در سال های اخیر، محققان برای ایجاد جعلیات کهکشانی به مدل های مولد روی آورده اند. مقاله ای که در 28 ژانویه در ماهنامه اعلامیه های انجمن سلطنتی نجوم منتشر شد، استفاده از این روش را برای تولید تصاویر با جزئیات باورنکردنی از کهکشان های جعلی توصیف می کند، که می تواند برای آزمایش پیش بینی های شبیه سازی های عظیم کیهان مورد استفاده قرار گیرد. آنها همچنین می توانند به توسعه و اصلاح خطوط لوله پردازش داده برای نظرسنجی های نسل بعدی کمک کنند.

برخی از این الگوریتم‌ها آنقدر خوب هستند که حتی ستاره‌شناسان حرفه‌ای نیز می‌توانند بین واقعی و جعلی تمایز قائل شوند. این مطلب اخیر را در صفحه وب اخترشناسی تصویر روز ناسا در نظر بگیرید، که دارای ده ها تصویر مصنوعی از اجرام در آسمان شب است و فقط یک تصویر واقعی.

در جستجوی سرندیپیتی

هوش مصنوعی همچنین آماده است تا اکتشافاتی را انجام دهد که ما نمی توانیم پیش بینی کنیم. تاریخچه طولانی اکتشافات در نجوم وجود دارد که به این دلیل اتفاق افتاده است که کسی در مکان مناسب و در زمان مناسب قرار گرفته است. زمانی که ویلیام هرشل در حال بررسی آسمان شب برای یافتن ستارگان کم نور بود، اورانوس به طور تصادفی کشف شد، وستو اسلیفر سرعت بازوهای مارپیچی را در قرص های پیش سیاره ای اندازه گیری کرد – که در نهایت منجر به کشف جهان در حال انبساط شد و کشف معروف جوسلین بل برنل از تپ اخترها زمانی اتفاق افتاد که او در حال تجزیه و تحلیل اندازه گیری اختروش ها بود.

شاید به زودی، یک هوش مصنوعی بتواند با استفاده از حوزه ای از تکنیک ها به نام تشخیص ناهنجاری، به این صفوف کاشفان سرگردان بپیوندد. این الگوریتم‌ها به‌طور خاص آموزش داده شده‌اند تا کوه‌هایی از تصاویر، منحنی‌های نور و طیف‌ها را غربال کنند و به دنبال نمونه‌هایی بگردند که شبیه چیزی که قبلاً دیده‌ایم نیستند. در نسل بعدی نجوم، با پتابایت داده‌های خام از رصدخانه‌هایی مانند Rubin و JWST، ما نمی‌توانیم تصور کنیم که این الگوریتم‌ها چه چیزی می‌توانند پیدا کنند.

بیشتر بخوانید:

ناوبری ماهواره ای و هوش مصنوعی

چت بات هوش مصنوعی و Chat GPT

چت بات هوش مصنوعی

هوش مصنوعی در بهداشت و درمان

لینکهای مفید:

گروه خودروسازی سایپا