اکتشاف کهکشان با هوش مصنوعی

به گزارش واحد فناوری اطلاعات سایبربان؛ دانشمندان و ستاره شناسان همواره سعی دارند راه‌های جدیدی برای مطالعه‌ی دقیق‌تر اجرام آسمانی، کهکشان‌ها و سیاره‌ها ایجاد کنند. به همین منظور از فناوری‌های بسیار متنوع و پیشرفته‌ای برای ساخت انواع تجهیزات استفاده می‌کنند.
پرده‌برداری از رازهای آسمان و درک جایگاه سیاره‌ی زمین در جهان پهناور نیازمند بازاندیشی در چشم‌اندازهای موجود دارد. دقیقاً به همین دلیل، نه تنها اولین ستاره‌شناس‌ها هر شب به آسمان نگاه می‌کردند تا نقشه‌ای دقیق و با جزئیات از آن طراحی کنند؛ بلکه این کار را برای ردیابی حرکت اجرام آسمان، جهت و مدت‌زمان آن انجام می‌دادند. در نتیجه‌ی این کار آن‌ها توانستند انواع حرکت‌های زمین را کشف کنند؛ اما برای این کار حجم عظیمی از داده‌ها را جمع‌آوری کردند.
مثال مطرح شده در بالا، رایانه‌ها را به ابزاری مفید و کاربردی در علم ستاره‌شناسی نوین تبدیل می‌کند. دانشمندان به کمک رایانه، موشک‌های ماهواره یا فضاپیما بر را برنامه نویسی کرده و مدل‌های انجام مأموریت‌ها را توسعه می‌دهند. از طرفی با بهره‌گیری از آن‌ها می‌توان تحلیل‌های دقیقی روی اطلاعات به دست آمده از نقاط دوردست جهان انجام داد. همچنین هر چه اندازه‌ی تلسکوپ بزرگ‌تر می‌شود، عمق بیشتری از فضا قابل مشاهده بوده، رازها و داده‌های بیشتری به دست می‌آید.
تلسکوپ بزرگ جزایر فناوری (Gran Telescopio Canarias) که در حال حاضر یکی از بزرگ‌ترین تلسکوپ‌های زمینی به شمار می‌آید، قطری معادل 10.3 متر دارد. به علاوه تلسکوپ دیگری در هاوایی در دست ساخت است که از قطری معادل 30 متر برخوردار است. این موضوع باعث می‌شود بتوان عمق بیشتری از فضا را مشاهده کرد. در هر حال برای بزرگ کردن اندازه‌ی این تجهیزات محدودیتی مانند محل ساخت وجود دارد؛ اما به نظر می‌رسد استفاده از فناوری هوش مصنوعی احتمالاً می‌تواند این محدودیت را از بین برده و در تجزیه و تحلیل اطلاعات و اکتشافات جدید به انسان‌ها کمک کند. به گونه‌ای که حتی نقاط بسیار ریز از نظر قوی‌ترین تلسکوپ‌ها نیز به موضوعی قابل درک تبدیل شوند.
با استفاده از شبکه‌ی عصبی می‌توان بخش‌هایی از فضا که دارای تصاویر و دیدی تار و نامشخص هستند را مشاهده کرد. به این معنی که نقاطی را که تلسکوپ‌ها توانایی دستیابی به آن ندارند، با دقتی بسیار بالا توسط هوش مصنوعی بازسازی می‌شود.
با توجه به اطلاعات منتشر شده در ماهنامه نجوم سلطنتی انگلیس (MNRAS¹)، گروهی از محققان موسسه‌ی فناوری فدرال زوریخ سوییس (ETH Zurich)، به رهبری متخصص اختر فیزیکی² به نام کوین شاوینسکی (Kevin Schawinski) موفق شده‌اند در این زمینه از هوش مصنوعی استفاده کنند.

در سمت چپ تصویر اصلی، وسط تصویر دستکاری شده و سمت راست نمونه بازسازی شده توسط هوش مصنوعی قرار دارد.

محققان توضیح دادند آن‌ها شبکه‌ای عصبی را تولید کرده و به‌گونه‌ای آموزش داده‌اند که می‌تواند کهکشان‌ها را شناسایی کند. الگوریتم ساخته شده می‌تواند بر پایه‌ی آموزش‌هایی که دیده است، کهکشان‌ها را شناسایی کرده، تصاویر تار و ناواضح را با تمرکز روی نقطه‌ی شناسایی شده، بازسازی کند تا کیفیت تصویر بالاتر برود.
محققان برای دستیابی به فناوری مذکور از روشی به نام «شبکه‌ی مولد رقیب³» (generative adversarial network) در یادگیری ماشینی استفاده کردند که دو شبکه‌ی عصبی را برای انجام رقابت، مقابل یکدیگر قرار می‌دهد.
همچنان که دانشمندان رایانه و فیزیکی در حال آزمایش روش‌های یاد شده هستند، تلسکوپ‌هایی که قدرت آن‌ها به صورت روزافزون در حال افزایش است، فرصت‌های بیشتری را برای شبکه‌های عصبی ایجاد می‌کنند تا دیدگاه بهتری از جهان به دست آورند. به عنوان مثال ادعا می‌شود تلسکوپ فضایی جیمز وب (JWST⁴) می‌تواند در مورد برخی از قدیمی‌ترین کهکشان‌های موجود در جهان که تنها چند صد میلیون سال بعد از انفجار بیگ‌بنگ تشکیل شده‌اند، اطلاعاتی را ارائه بدهد.
شاوینسکی گفت: «حتی جیمز وب نیز در پی بردن به رازهای کهکشان راه شیری –که از عمر کمی برخوردار است- مشکل دارد؛ اما استفاده از شبکه‌ی عصبی به ما کمک می‌کند تا بتوانیم درک بهتری از تصاویر پیدا کنیم.»
شاوینسکی اشاره کرد شبکه‌ی عصبی آن‌ها بر پایه‌ی شناخت امروزی انسان‌ها از کهکشان‌ها آموزش دیده است. در نتیجه برای اینکه هوش مصنوعی آن‌ها بتواند کهکشان راه شیری را تشخیص بدهد، در گام اول باید به آن نشان می‌دادند که کهکشان چه شکلی است.
وی افزود: «البته کهکشان ما با نمونه‌های بسیار قدیمی‌تر و متحول شده بسیار متفاوت است؛ بنابراین احتمال این که ما دست آورد یاد شده رت بر اساس کهکشانی اشتباه آموزش داده باشیم، وجود دارد. به همین دلیل باید مراقب صحت مواردی این فناوری تفسیر می‌کند باشیم.»
نکته‌ی یاد شده تا زمانی که الگوریتم یادگیری ماشینی به کار رفته پیشرفت کرده، گسترش یابد و بتوان در کارهای پیچیده‌تری از آن استفاده کرد، از اهمیت بسیار بالایی برخوردار است.
سی ژانگ (Ce Zhang) مهندس علوم رایانه‌ی موسسه‌ی فناوری فدرال زوریخ سوییس گفت: «اگر ما به‌ اندازه کافی مراقب بوده و کارهای یاد شده را به درستی انجام دهیم، بهره بردن از شبکه‌ی عصبی نباید تفاوت چندانی با نحوه‌ی استفاده از روش‌های آماری کلاسیک امروزی ایجاد کند.»
___________________________________________

1- Monthly Notices of the Royal Astronomical Society
2- اختر فیزیک، شاخه‌ای از علم فیزیک است که ویژگی‌های فیزیکی ستاره‌ها را بررسی می‌کند. به عنوان مثال در این شاخه به مطالعه‌ی فیزیک ستارگان، فضای میان ستاره‌ای، تولد و مرگ اجسام پرداخته می‌شود.
3- شبکه‌ی مولد رقیب یکی از شاخه‌های یادگیری ماشینی بدون نظارت (unsupervised machine learning) است که دو شبکه‌ی عصبی را در قالب چارچوب بازی مجموع صفر (zero-sum game framework) مقابل یکدیگر قرار می‌دهد. مجموع-صفر، یک مدل ریاضی از وضعیتی است که سود یا زیان یک شرکت کننده، دقیقاً متعادل با زیان‌ یا سود شرکت‌کننده‌های دیگر است. اگر مجموع سودهای شرکت‌کننده‌ها با هم جمع و مجموع زیان‌ها از آن کم شود، حاصل برابر صفر خواهد بود.
4- تلسکوپ فضایی جیمز وب (James Webb Space Telescope) بزرگ‌ترین تلسکوپ فضایی در دست ساخت بوده و قرار است سال 2018 به فضا پرتاب شود.