هوش مصنوعی، چشم سوم ستاره‌شناسان: جهش بزرگ جمینای در شناسایی پدیده های کیهانی

اجرام آسمانی گذرا مانند انفجارهای ستاره‌ای (ابرنواخترها، انفجارهای پرتو گاما و...)، پدیده‌هایی هستند که تشخیص و طبقه‌بندی آن‌ها در حجم عظیم داده‌های تلسکوپی، همواره یک چالش زمان‌بر و مستعد خطا برای ستاره‌شناسان بوده است. این پدیده‌ها می‌توانند به راحتی با سیگنال‌های کاذب یا داده‌های نامرتبط اشتباه گرفته شوند. در یک پیشرفت چشمگیر، یک تیم بین‌المللی از پژوهشگران با به‌کارگیری مدل زبان بزرگ (LLM) جمینای (Gemini) توسعه‌یافته توسط گوگل، توانسته‌اند نشان دهند که هوش مصنوعی چگونه می‌تواند مسیر اخترفیزیک رصدی را متحول سازد و دقت را در طبقه‌بندی این رویدادهای نادر به طرز چشمگیری افزایش دهد.

 

هدف اصلی این پژوهش، بررسی پتانسیل هوش مصنوعی در پالایش و دسته‌بندی داده‌های عظیم رصدی بود. ستاره‌شناسان به‌طور سنتی زمان و منابع بسیاری را صرف بررسی دستی نمودارها و تصاویر دریافتی از تلسکوپ‌ها می‌کنند. اما با رشد تصاعدی داده‌های جمع‌آوری‌شده توسط تلسکوپ‌های نقشه‌بردار نسل جدید، نیاز به یک ابزار خودکار با قابلیت درک و تصمیم‌گیری سریع احساس می‌شود.

 

پژوهشگران در این پروژه، مدل جمینای را روی سه مجموعه داده کلیدی حاصل از تلسکوپ‌های معتبر پان-استارز (Pan-STARRS)، میرلیشت (MeerLICHT) و اطلس (ATLAS) آزمایش کردند. این مدل برای اولین بار بر اساس «راهنمایی‌های ویژه» (و نه صرفاً آموزش‌های سنگین تخصصی) طبقه‌بندی ۱۵ نمونه را بر عهده گرفت و آن‌ها را در دسته‌هایی مانند «بدون علاقه» (سیگنال‌های کاذب)، «کم علاقه» (ستاره‌های متغیر) و «پرعلاقه» (رویدادهای انفجاری واقعی) قرار داد.

 

دکتر استیون اسمارت (Stephen Smartt)، استاد اخترفیزیک دانشگاه آکسفورد، این دستاورد را تحسین کرده و اظهار داشت که دقت مدل‌های زبانی بزرگ با حداقل راهنمایی، در مقایسه با شبکه‌های عصبی سنتی که سال‌ها برای هر وظیفه خاص آموزش می‌دیدند، "قابل توجه" است.

 

پس از یک به‌روزرسانی مهم در الگوریتم‌های جمینای، محققان تحلیل مجددی را انجام دادند و نتایج به دست آمده شگفت‌آور بود:

این سطح از دقت، نشان می‌دهد که هوش مصنوعی می‌تواند به عنوان یک فیلتر پیشرفته عمل کرده و منابع کاذب را از رویدادهای واقعی و مهم علمی جدا کند. این قابلیت در محیط‌های داده‌ای پرحجم، عملاً به معنای صرفه‌جویی در هزاران ساعت کار انسانی و هدایت سریع‌تر تلسکوپ‌های بزرگ به سمت اهداف ارزشمند است.

 

این مطالعه تنها یکی از نمونه‌های موج پیشرفت هوش مصنوعی در نجوم و علوم سیاره‌ای است. کاربردهای هوش مصنوعی دیگر شامل موارد زیر است:

 

کشف سیارات فراخورشیدی: مانند کشف سیاره کپلر-۹۰آی (Kepler-90i) که هشتمین سیاره منظومه خود بود و صرفاً از طریق تحلیل الگوریتمی داده‌ها شناسایی شد.

 

تحلیل داده‌های لرزه‌نگاری: در ماموریت‌هایی مانند اینسایت (InSight) مریخ، هوش مصنوعی به دانشمندان کمک کرد تا مریخ‌لرزه‌ها و نحوه انتشار امواج لرزه‌ای در ساختار داخلی مریخ را به شیوه‌ای متفاوت از پیش‌بینی‌های مدل‌های سنتی درک کنند.

 

عملیات تلسکوپ و مدل‌سازی: هوش مصنوعی در بهینه‌سازی زمان‌بندی رصدها، کنترل رباتیک تلسکوپ‌ها و ساخت مدل‌های نظری پیچیده در فیزیک کیهانی، به ابزاری جدایی‌ناپذیر تبدیل شده است.

 

نتیجه این پژوهش که در ژورنال معتبر "Nature Astronomy" منتشر شد، پیام مهم دیگری را نیز دربر دارد: استفاده از ابزارهای هوش مصنوعی آنلاین و رایگان مانند جمینای، امکان مشارکت افراد غیردانشمند و علاقه‌مند (Citizen Scientists) را در پیشرفت‌های علمی فراهم می‌کند. این امر نه تنها دموکراسی در علم را گسترش می‌دهد، بلکه نویدبخش آینده‌ای است که در آن، هوش مصنوعی به عنوان یک کاتالیزور، مرزهای اکتشافات علمی ما در مورد کیهان را به شکلی بنیادی جابه‌جا خواهد کرد.