به گزارش ایسنا، این پرسش که هوش مصنوعی چگونه می‌تواند به ستاره‌شناسان در شناسایی اجرام آسمان شب کمک کند، اخیراً توسط یک گروه بین‌المللی از پژوهشگران مورد بررسی قرار گرفته است.

به نقل از یونیورس مگزین، این گروه پژوهشی پتانسیل استفاده از هوش مصنوعی را برای تحقیقات اخترفیزیکی درباره پدیده‌های آسمانی از جمله جذب ستاره‌ها توسط سیاه‌چاله‌ها یا حتی انفجار ستاره‌ها بررسی کردند. این پژوهش می‌تواند به ستاره‌شناسان کمک کند تا با کاهش زمان و منابعی که به طور سنتی صرف بررسی آسمان شب می‌شوند، از هوش مصنوعی برای بهبود بررسی‌های خود بهره ببرند.

پژوهشگران در این پروژه، مدل زبانی بزرگ «گوگل» موسوم به «جمینای»(Gemini) را روی سه مجموعه داده درباره آسمان شب آزمایش کردند که با «تلسکوپ نقشه‌برداری پانوراما و سیستم واکنش سریع» یا «پان-استارز»(Pan-STARRS)، «میرلیشت»(MeerLICHT) و «سیستم آخرین هشدار برخورد سیارک به زمین» یا «اطلس»(ATLAS) به دست آمده‌اند. هدف از ارائه سه مجموعه داده به جمینای این بود که مشخص شود آیا مدل‌های زبانی بزرگ می‌توانند به همان سطح از دقت و کارآیی مجموعه داده‌ها دست یابند.

پژوهشگران از دستورالعمل‌های ویژه‌ای برای جمینای استفاده کردند تا ۱۵ نمونه را با دستورالعمل‌هایی برای طبقه‌بندی آنها به عنوان «بدون علاقه»، «کم‌علاقه» و «پرعلاقه» برای ساخته‌های دست انسان در آسمان، ستاره‌های متغیر و رویدادهای انفجاری، با مخزن کامل مثال‌ها، دستورالعمل‌ها و دستورالعمل‌های آپلودشده در «گیت‌هاب»(GitHub) تحلیل کنند. سپس پژوهشگران ۶ ماه پس از به‌روزرسانی جمینای با الگوریتم‌های جدید، یک تحلیل مجدد را انجام دادند. آنها در نهایت دریافتند که جمینای به دقت‌های ۹۱.۹ درصد، ۹۳.۴ درصد و ۹۴.۱ درصد برای داده‌های اطلس، میرلیشت و پان-استارز دست یافته است.

ستاره‌شناسان معتقدند که شبکه‌های عصبی به آنها کمک می‌کنند تا هنگام پردازش داده‌ها، مشکل جداسازی رویدادهای واقعی از سیگنال‌های کاذب را حل کنند.

دکتر «استیون اسمارت»(Stephen Smartt) استاد اخترفیزیک «دانشگاه آکسفورد»(University of Oxford) و از پژوهشگران این پروژه گفت: ما سال‌ها زمان را صرف آموزش مدل‌های یادگیری ماشینی و شبکه‌های عصبی برای تشخیص تصویر کرده‌ایم. با وجود این، دقت مدل‌های زبانی بزرگ در تشخیص منابع با حداقل راهنمایی به جای آموزش‌های ویژه برای هر وظیفه، قابل توجه بود. اگر بتوانیم این فناوری را در مقیاس وسیع‌تری توسعه دهیم، می‌تواند به یک تغییر اساسی در این حوزه تبدیل شود و نمونه دیگری از هوش مصنوعی باشد که امکان کشف علمی را فراهم می‌کند.

این پژوهش زمانی انجام شده که هوش مصنوعی به لطف کاربردهای متنوع خود از جمله تشخیص سیاره‌های فراخورشیدی، تحلیل سطوح سیاره‌ای و مجموعه داده‌های نجومی، شناسایی ابرنواخترها، انفجارهای رادیویی سریع، انفجارهای پرتو گاما و امواج گرانشی، علوم شهروندی، مدل‌سازی نظری و عملیات تلسکوپ، به سرعت در حوزه ستاره‌شناسی و علوم سیاره‌ای در حال پیشرفت است.

نمونه‌ای از کاربرد هوش مصنوعی در نجوم، کشف سیاره «کپلر-۹۰آی»(Kepler-90i) است که تقریباً ۲۷۶۷ سال نوری از زمین فاصله دارد و هشتمین سیاره کشف‌شده در این منظومه است. اگرچه کپلر-۹۰آی به عنوان یک ابرزمین با جرم تقریباً ۲.۳ برابر زمین تعریف می‌شود اما دمای سطح سنگی آن برای پشتیبانی از زندگی به شکلی که ما می‌شناسیم، بسیار بالاست. علاوه بر این، همه سیاره‌های منظومه «کپلر-۹۰» در لبه داخلی منطقه قابل سکونت ستاره خود می‌چرخند. این یعنی احتمالاً همه آنها سطوح یا اتمسفرهایی دارند که برای پشتیبانی از زندگی بسیار داغ هستند. نمونه‌ای از کاربرد هوش مصنوعی در علوم سیاره‌ای، بررسی مریخ‌لرزه‌ها و نحوه انتشار امواج لرزه‌ای در مریخ به روشی بسیار متفاوت از تصورات پیشین است.

کاربردهای آینده هوش مصنوعی در ستاره‌شناسی و علوم سیاره‌ای شامل پیش‌بینی آب‌وهوای فضایی، استفاده از ربات‌های خودران در ماه و مریخ و استفاده از هوش مصنوعی در ماموریت‌های سرنشین‌دار آینده برای کمک به فضانوردان در تصمیم‌گیری‌های آگاهانه‌تر است. بنابراین، این پژوهش جدید نه تنها کاربرد روبه‌رشد هوش مصنوعی را در ستاره‌شناسی و علوم سیاره‌ای به نمایش می‌گذارد، بلکه نشان می‌دهد که چگونه افراد غیر دانشمند می‌توانند از فناوری‌های آنلاین رایگان مانند جمینای برای دستیابی به پیشرفت‌های علمی استفاده کنند.

این پژوهش در مجله «Nature Astronomy» به چاپ رسید.

انتهای پیام