هوش مصنوعی در خدمت نجوم/ دنیای کهکشان‌ها برای بشر ملموس‌تر می‌شود
به گزارش «نبض فناوری»، هوش مصنوعی در عصر حاضر کمابیش در هر حوزه‌ای ورود کرده است و تکنیک‌های آن همچون یادگیری عمیق، امکان انجام اموری را فراهم کرده که در دهه‌های گذشته مقدور نبوده است. یکی از این امور بحث فضا و نجوم است. امروزه در بسیاری از سازمان‌های فضایی از هوش مصنوعی برای تسهیل امور استفاده می‌شود و بسیاری از اکتشافات مدرن در دنیای نجوم به دلیل هوش مصنوعی امکان‌پذیر شده‌اند.
مدتی پیش ناسا پای یک دستیار هوش مصنوعی را به نام سیمون (Cimon) را به ایستگاه فضایی بین‌المللی (ISS) باز کرد. ناسا همچنین در پی ساخت روباتی به نام روبوناوت است که بتواند به جای فضانوردان، مأموریت‌های خطرناک را در ایستگاه فضایی بین‌المللی انجام دهد. اما قابلیت‌های هوش مصنوعی تنها محدود به مأموریت‌های فضایی نیست و این فناوری به طرق مختلف از درون زمین نیز می‌تواند به شناخت آسمان شب کمک کند.
هوش مصنوعی تنها در یک دهه اخیر به بسیاری از ستاره‌شناسان و منجمان کمک کرده تا سیاره‌ها و منظومه‌های فراخورشیدی را کشف کنند و بسیاری فرضیه‌های پیشین از طریق هوش مصنوعی امکان اعتبارسنجی یافته‌اند.
برخی از بزرگترین چالش‌های نسل بعدی نجوم در مطالعه و بررسی حجم عظیم داده‌ها نهفته است. برای مقابله با چالش‌ها، ستاره‌شناسان به یادگیری ماشین و هوش مصنوعی روی آورده‌اند و خواستار این هستند تا ابزارهای جدیدی را برای کشفیات بزرگ فضایی بعدی توسعه دهند. تحقیقی که توسط اشلی اسپیندلر(Ashley Spindler) از گروه اخترفیزیک دانشگاه هرتفوردشایر انجام شده نیز این موضوع را روشن ساخته است.
مدت زمان زیادی از استفاده از فناوری هوش مصنوعی در فضا نمی‌گذرد
در حال حاضر هوش مصنوعی به ۴ طریق به منجمان کمک می‌کند.
۱. جست‌وجوی سیاره‌ها: چندین روش برای یافتن یک سیاره وجود دارد اما مطالعه گذرها موفق‌ترین آنها بوده است. وقتی سیاره فراخورشیدی از مقابل ستاره اصلی خود عبور می‌کند، مقداری از نوری را که انسان می‌تواند رصد کند مسدود می‌کند.
ستاره‌شناسان با مشاهده مدارهای سیاره فراخورشیدی تصویری از فرو رفتن آن را در نور ایجاد می‌کنند که می‌تواند برای شناسایی خصوصیات آن سیاره مانند جرم، اندازه و فاصله‌اش با ستاره مرکزی مورد استفاده قرار گیرد.
تکنیک‌های ارزیابی توالی زمانی مبتنی بر هوش، که داده‌ها را به عنوان یک سری متوالی با زمان تجزیه و تحلیل می‌کند کمک می‌کند تا بتوان سیگنال‌های سیارات خارجی را با دقت ۹۶ درصد شناسایی کرد.
قرار است در طی عملیات برنامه‌ریزی‌شده صدها پتابایت داده توسط رصدخانه وراروبین جمع‌آوری و پردازش شود.
۲. امواج گرانشی: مدل‌های توالی زمانی فقط برای یافتن سیارات فراخورشیدی عالی نیستند بلکه برای یافتن سیگنال اتفاق‌های بزرگ و فاجعه‌بار جهان نیز عالی هستند.
وقتی اجرام با چگالی بالا فروپاشی پیدا می‌کنند، در فضا-زمان موج‌هایی را به بیرون می‌فرستند که با اندازه‌گیری سیگنال‌های ضعیف در زمین قابل تشخیص است. آشکارسازهای امواج گرانشی، همچون تداخل‌سنج ویرگو و رصدخانه موج گرانشی چندین و چند سیگنال مرتبط با این رویدادها را شناسایی کرده که همگی با کمک یادگیری ماشین بوده است.
با استفاده از مدل‌های آموزشی در مورد داده‌های شبیه‌سازی‌شده از ادغام سیاهچاله‌ها، تیم‌های آشکارسازهای امواج گرانشی می‌توانند حوادث احتمالی را شناسایی کرده و هشدارهایی را به منجمان سراسر جهان ارسال کنند تا تلسکوپ‌های خود را در مسیر درست قرار دهند.
امکان دارد تلسکوپ‌های زمینی به دلیل هوش مصنوعی از تلسکوپ‌های فضایی بهتر عمل کنند
۳.آسمان در حال تغییر: وقتی رصدخانه وراروبین که در حال حاضر در شیلی در حال ساخت است وارد چرخه مصرف شود، هر شب می‌توان با آن کل آسمان شب را بررسی کرد. این رصدخانه بیش از ۸۰ ترابایت تصویر را با یک‌باره جمع آوری می‌کند تا مشخص شود که ستاره و کهکشان در جهان در زمان‌های متفاوت چه تفاوتی کرده‌اند. یک ترابایت معادل ۸، ۰۰۰، ۰۰۰، ۰۰۰، ۰۰۰ بیت است.
قرار است در طی عملیات برنامه‌ریزی‌شده صدها پتابایت داده توسط رصدخانه وراروبین جمع‌آوری و پردازش شود. ۱۰۰ پتابایت داده معادل ۷۰۰ سال فیلم کامل با کیفیت بالا است!
۴. همگرایی گرانشی: یکی از پدیده‌های آسمانی که بسیاری از ستاره‌شناسان را به وجد می‌آورد، همگرایی گرانشی قوی است. این اتفاق وقتی می‌افتد که دو کهکشان در امتداد خط دید ما قرار گیرند و جاذبه کهکشان نزدیک‌تر به عنوان یک لنز عمل کند و جسم دورتر را بزرگ کند و حلقه و تصاویر دوتایی ایجاد کند.
در سال ۲۰۱۸، ستاره‌شناسان از سراسر جهان در چالش یافتن همگرایی گرانشی قوی در یک رویداد شرکت کردند. هدف تعیین این بود که چه کسی می‌تواند بهترین الگوریتم را برای یافتن خودکار این پدیده پیدا کند.
برنده این چالش از مدلی به نام شبکه عصبی پیچشی استفاده کرده بود که یکی از روش‌های یادگیری ماشین است و طی آن ماشین می‌آموزد که تصاویر را با استفاده از فیلترهای مختلف تجزیه کند تا زمانی که بتواند آنها را به عنوان یک لنز همگرا طبقه‌بندی کند.
منبع/ آنا
