رکوردشکنی هوش مصنوعی چینی: شناسایی ۲۷ میلیون جرم آسمانی در یک چشم بر هم زدن!

در عصری که تحقیقات نجومی به طور فزاینده‌ای در حال گسترش است، نیاز به ابزارهایی که قادر به طبقه‌بندی سریع تعداد زیادی از اجرام آسمانی باشند، بیش از هر زمان دیگری احساس می‌شود. پیشرفت‌های اخیر در فناوری هوش مصنوعی، به ویژه مدلی که توسط محققان چینی توسعه یافته است، نویدبخش تحولی اساسی در نحوه پردازش داده‌ها از بررسی‌های آسمانی است. این هوش مصنوعی با توانایی تجزیه و تحلیل میلیون‌ها شیء در زمانی بی‌سابقه، می‌تواند کلید کشف الگوهای پنهان در سراسر جهان باشد. همانطور که در مطالعه‌ای که اخیراً در مجله The Astrophysical Journal منتشر شده، آمده است، این مدل هوش مصنوعی جدید، تاکنون بیش از ۲۷ میلیون جرم، از جمله ستارگان، کهکشان‌ها و کوازارها را طبقه‌بندی کرده است. این مدل با ادغام یکپارچه مجموعه‌های داده پیچیده از بررسی‌های مختلف، به عنوان یک پیشرفت بزرگ در نحوه مطالعه کیهان توسط ستاره‌شناسان، خودنمایی می‌کند.

این مطالعه یک نقطه عطف است، نه فقط به خاطر سرعت این ابزار، بلکه به دلیل دقت قابل توجهی که ارائه می‌دهد. محققان، به سرپرستی متخصصان در رصدخانه‌های یوننان (Yunnan Observatories)، چالش تشخیص اجرام در آسمان را که اغلب به صورت نقاط نوری دیده می‌شوند، با موفقیت پشت سر گذاشتند. به طور سنتی، روش‌هایی مانند طیف‌سنجی برای طبقه‌بندی استفاده می‌شد، اما این تکنیک‌ها کند و دست و پا گیر هستند. با این حال، مدل هوش مصنوعی جدید، بسیار کارآمدتر عمل می‌کند و به ستاره‌شناسان اجازه می‌دهد تا حجم عظیمی از داده‌ها را با سرعت بی‌سابقه‌ای غربال کنند. این موضوع، به ویژه با توجه به بررسی‌های آینده که قرار است میلیاردها جرم را رصد کنند، از اهمیت ویژه‌ای برخوردار است.

رویکرد ورودی دوگانه: رمز موفقیت هوش مصنوعی

مدل هوش مصنوعی، یک شبکه عصبی است که هم ویژگی‌های مورفولوژیکی (شکل ظاهری اجرام) و هم ویژگی‌های توزیع انرژی طیفی (SED) (چگونگی تغییر روشنایی آنها در طول موج‌های مختلف) را در خود جای داده است. این رویکرد ورودی دوگانه، به هوش مصنوعی نسبت به مدل‌های قبلی که تنها به یکی از این دو تکیه می‌کردند، برتری می‌دهد. هوش مصنوعی با استفاده از هر دو ورودی به طور همزمان، بهتر می‌تواند بین ستارگان، کهکشان‌ها و کوازارها، که اغلب در داده‌ها مشابه به نظر می‌رسند، تمایز قائل شود. همانطور که نویسندگان اشاره می‌کنند: «این MNN با موفقیت از اطلاعات مورفولوژیکی و SED برای فعال کردن طبقه‌بندی کارآمد و قوی ستارگان، کوازارها و کهکشان‌ها در بررسی‌های فوتومتریک بزرگ استفاده می‌کند.»

ستاره‌شناسان به خوبی از چالشی که این اجرام به ظاهر مشابه ایجاد می‌کنند، آگاه هستند. ستارگان و کهکشان‌ها، بسته به فاصله‌شان از زمین، می‌توانند به صورت نقاط کوچک و درخشان ظاهر شوند. طبقه‌بندی چنین اجرام، اغلب زمانی که فقط از داده‌های مورفولوژیکی استفاده شود، منجر به خطا می‌شود. توزیع انرژی طیفی، ابزاری قدرتمند است که به تشخیص این اجرام بر اساس نحوه انتشار نور کمک می‌کند. با این حال، این روش نیز محدودیت‌هایی دارد، به ویژه هنگامی که روی اجرام کم‌نور یا دوردست اعمال شود. سیستم هوش مصنوعی جدید، با ادغام هر دو روش، بر این چالش‌ها غلبه می‌کند و آن را به یک راه حل بسیار قابل اعتمادتر برای بررسی‌های آسمانی مدرن تبدیل می‌کند.

پیشرفتی چشمگیر در داده‌های بررسی آسمانی

تاثیر مدل هوش مصنوعی، فراتر از طبقه‌بندی صرف است. این مدل، نشان‌دهنده پیشرفتی چشمگیر در نحوه پردازش و درک داده‌ها از بررسی‌های نجومی است. تاکنون بیش از ۲۷ میلیون جرم، که حدود ۱۳۵۰ درجه مربع از آسمان را پوشش می‌دهند، طبقه‌بندی شده‌اند. مدل هوش مصنوعی بر روی مجموعه‌های داده مختلف، از جمله داده‌های حاصل از بررسی دیجیتالی آسمان اسلون (Sloan Digital Sky Survey) و بررسی کیلومتر-درجه (Kilo-Degree Survey) آزمایش شد و عملکرد بسیار خوبی داشت. در یک آزمایش، این مدل با موفقیت ۹۹.۷٪ از ستارگان را از داده‌های ارائه شده توسط ماموریت گایا (Gaia mission) طبقه‌بندی کرد و به طور مشابه، ۹۹.۷٪ از کهکشان‌ها و کوازارها را در بررسی GAMA به درستی برچسب‌گذاری کرد.

این طبقه‌بندی سریع و در مقیاس بزرگ، امکانات جدیدی را برای بررسی‌های آینده باز می‌کند. با افزایش حجم داده‌های نجومی، ستاره‌شناسان به ابزارهایی نیاز خواهند داشت که بتوانند حجم عظیمی از اطلاعات را به سرعت و کارآمد پردازش کنند. مدل هوش مصنوعی دقیقاً همین کار را انجام می‌دهد و به شناسایی الگوها، اجرام نادر و پدیده‌های کیهانی کمک می‌کند که در غیر این صورت از دست می‌روند یا نادیده گرفته می‌شوند. این موضوع می‌تواند منجر به کشف‌های مهمی در مطالعه شکل‌گیری و تکامل جهان شود.

تحول در پایگاه‌های داده نجومی

یکی از مزایای غیرمنتظره این ابزار هوش مصنوعی، توانایی آن در تصحیح اشتباهات گذشته در پایگاه‌های داده نجومی است. در طول آزمایش، این مدل اجرام را شناسایی کرد که قبلاً به اشتباه طبقه‌بندی شده بودند. برخی از اجرام که زمانی به عنوان ستاره برچسب‌گذاری شده بودند، در واقع کهکشان بودند. هوش مصنوعی با موفقیت این اجرام را دوباره طبقه‌بندی کرد و پتانسیل خود را نه تنها برای بررسی‌های آینده، بلکه برای بهبود کاتالوگ‌های نجومی موجود نیز نشان داد. این توانایی در شناسایی خطاها در طبقه‌بندی‌های قبلی، می‌تواند به ساده‌سازی تحقیقات و ارائه پایگاه‌های داده دقیق‌تر به ستاره‌شناسان برای کار با آنها کمک کند.

کارایی مدل هوش مصنوعی فقط به بررسی‌های بزرگ محدود نمی‌شود. بلکه می‌تواند ابزاری مفید برای بازبینی مجموعه‌های داده قدیمی‌تر و اصلاح آنها با دقت بالاتر باشد. این موضوع پیامدهای قابل توجهی برای دقت داده‌های نجومی تاریخی دارد و می‌تواند منجر به مطالعات قابل اعتمادتر در مورد تاریخچه و توسعه جهان شود.

منبع