هوش مصنوعی با توانایی شناسایی خودکار کهکشان‌ها و ستاره‌ها، نوید اکتشافات فضایی بی‌سابقه‌ای را می‌دهد که می‌تواند مرزهای دانش ما را جابجا کند. آیا این به معنای پایان کار ستاره‌ شناسان است؟

تصور کنید بخواهید برای هر ستاره، کهکشان یا اختروش بسیار دور در آسمان، نامی مشخص کنید. تاکنون این کار به روشی دقیق اما کند به نام طیف‌سنجی وابسته بود؛ روشی که با وجود دقت بالا، به هیچ‌وجه توانایی همگام شدن با حجم عظیم داده‌های به‌دست‌آمده از نقشه‌برداری‌های مدرن آسمان را ندارد.

هوش مصنوعی جدید برای شناسایی خودکار کهکشان‌ها و ستاره‌ها

گروهی از پژوهشگران چینی گامی بلند برداشته‌اند و مدلی هوش مصنوعی ساخته‌اند که این وظیفه را با سرعتی بالا و دقتی شگفت‌انگیز انجام می‌دهد. این ابزار تاکنون بیش از 27 میلیون جرم کیهانی را در ناحیه‌ای گسترده از آسمان دسته‌بندی کرده است.

اما موضوع صرفاً کاهش زمان پردازش نیست. این هوش مصنوعی می‌تواند شیوه مطالعه و درک ما از کیهان را دگرگون سازد و امکان بررسی داده‌های کلان و کشف الگوهای پنهان یا اجرام نادری را فراهم کند که پیش‌تر از چشم پژوهشگران پنهان مانده بودند.

این هوش مصنوعی از شکل ظاهری و طیف نوری استفاده می‌کند. تیمی به سرپرستی محققان رصدخانه‌ Yunnan به یکی از مسائل دیرینه در اخترشناسی پرداختند. ستارگان و اختروش‌ها در عکس‌ها بسیار مشابه‌اند و کهکشان‌ها نیز بسته به فاصله‌شان، ممکن است به همان اندازه کوچک به‌نظر برسند.

تکیه صرف بر ظاهر اجرام (ساختار یا شکل آن‌ها) اغلب باعث بروز خطا می‌شود. بهره‌گیری از الگوهای اپتیکال یا همان توزیع انرژی طیفی (SED) تا حدودی کمک می‌کند، اما به تنهایی نمی‌تواند دقت مورد نیاز را برای اجرام کم‌نور یا بسیار دور تضمین کند.

از همین‌رو، پژوهشگران یک شبکه عصبی طراحی کردند؛ نوعی از هوش مصنوعی که از داده‌ها می‌آموزد. این مدل توانایی تحلیل همزمان دو نوع داده را دارد: ویژگی‌های ظاهری (مورفولوژیکی) و ویژگی‌های SED (تغییرات روشنایی در طول‌موج‌های مختلف).

این رویکرد دوسویه باعث شد مدل بتواند تمایزهای ظریف میان ستاره‌ها، کهکشان‌ها و اختروش‌ها را بهتر تشخیص دهد. آن‌ها مدل خود را با استفاده از داده‌های تأییدشده طیف‌سنجی از هفدهمین نسخه داده‌های نقشه‌برداری آسمان اسلون (SDSS) آموزش دادند؛ پایگاهی معتبر که نوع اجرام در آن مشخص است.

سپس، برای آزمایش عملکرد مدل، از تصاویر نقشه‌برداری Kilo-Degree (KiDS) استفاده کردند و تمرکز را بر اجرامی با روشنایی بیشتر از r = 23 قدر قرار دادند. این مدل داده‌هایی به وسعت تقریبی 1,350 درجه مربع از آسمان را پردازش کرد و موفق شد بیش از 27 میلیون جرم را به‌درستی طبقه‌بندی کند.

بیشتر بخوانید