خب بذار همین اول یه سؤال بپرسم: اگه بهت بگن باید همه ستاره‌ها و کهکشان‌ها و اون چیزهای خیلی دور به اسم «کوازار» رو (کوازار یعنی شبه‌ستاره‌های خیلی روشن و دور که کلی پنهونکاری دارن!) تو آسمون شماره‌گذاری و برچسب بزنی، چقدر طول می‌کشه؟ واقعیتش اینه که این کار تا الان به روش معمولی‌اش یعنی اسپکتروسکوپی انجام می‌شد. اسپکتروسکوپی یعنی نور اجرام آسمونی رو تجزیه می‌کنن و الگوهاش رو چک می‌کنن تا بفهمن چی به چیه؛ خیلی دقیق ولی واااقعاً کند و زمان‌بَره!
اما حالا خبر خوب: یه تیم دانشمند از رصدخونه‌های یونان (Yunnan Observatories) تو چین، یه هوش مصنوعی ساختن که این کار رو با سرعتِ عجیب و دقت شگفت‌انگیز انجام می‌ده. تا همین الآن، تونسته تو یه بخشی از آسمون بیشتر از ۲۷ میلیون جرم آسمونی رو (یعنی ستاره، کهکشان، کوازار و غیره) دسته‌بندی کنه!
یعنی فقط بحث سرعت نیست. این مدل هوش مصنوعی – که بر پایه شبکه عصبی کار می‌کنه (شبکه عصبی یعنی یه مدل هوشمند که تقریباً مثل مغز ما می‌تونه یاد بگیره و فرق چیزها رو بفهمه) – می‌تونه راه و رسم ما رو برای کاوش و شناخت جهان تغییر بده. چون می‌تونه تو دَیتاهای خیلی بزرگ دنبال الگوهای جدید یا اجرام آسمونی نادر و خاص بگرده؛ چیزی که شاید قبلاً با روشای سنتی از دست‌مون در می‌رفت!
مشکل از کجا بوده؟ ببین، خیلی وقت‌ها ستاره‌ها و کوازارها توی عکس‌ها تقریباً شبیه هم میان: نقاط کوچیک و خیلی روشن. بعضی کهکشان‌ها هم اگه خیلی دور باشن، شبیه همین نقطه‌ها دیده می‌شن! پس اگر فقط به ظاهر یا شکل اجرام (که بهش میگن ویژگی‌های مورفولوژیکی) نگاه کنی، ممکنه همه‌چیز قاطی شه و خطا پیش بیاد. راهکار دوم اینه که با الگوهای نورشون (یعنی SED، یا همون «توزیع انرژی طیفی» که میگه چطوری روشنایی تو طول موج‌های مختلف تغییر می‌کنه) آنالیز کنی؛ ولی اونم برای اجرام کم‌نور یا دور، سخت و خطاپذیره.
پس چی کار کردن؟ دانشمندا اومدن یه مدل دوتایی ساختن: همزمان هم ظاهر شئ رو وارد مدل می‌کنن هم SEDها رو. این ترکیب واقعاً قدرت تشخیصش رو برده بالا. برای آموزشش از دیتابیس معروف «Sloan Digital Sky Survey» ورژن ۱۷ استفاده کردن (یه پایگاه داده فضایی معتبر که براش دقیقاً معلومه هر جرم چه نوعیه).
بعد که مغز مدل رو پُر کردن، اومدن روی عکسای پروژه «Kilo-Degree Survey (KiDS)» تستش کردن؛ تمرکزشون روی اجرامی بوده که روشنایی‌شون کمتر از ۲۳ رده‌بندی (Magnitude) نبوده – یعنی خیلی کم‌نورها رو بهش ندادن. تونستن توی یه منطقه ۱۳۵۰ درجه مربعی از آسمون، بیشتر از ۲۷ میلیون جرم رو طبقه‌بندی کنن. عدد غیرقابل باوریه!
نویسنده‌های مقاله هم گفتن: این مدل MNN (شبکه عصبی چندمدله) تونسته با استفاده همزمان از ظاهر و نور، دسته‌بندی سریع و قابل اعتمادی از ستاره، کوازار و کهکشان‌ها بده؛ اونم توی پروژه‌هایی که فقط با عکس کار می‌کنن (بهشون میگن پروژه‌های فتوگرافیک یا فوتومتریک).
حالا مهم‌تر اینه که مدل رو برای محک زدن، روی مجموعه‌های دیگه هم امتحان کردن، مثل «ماموریت گایا» (Gaia) – این پروژه مخصوص ستاره‌ها و ثبت موقعیت و حرکته. نتیجه؟ نزدیک ۹۹.۷٪ ستاره‌ها رو درست طبقه‌بندی کرد! روی داده‌های GAMA (باز هم یه پروژه بزرگ نجومی) هم تقریباً همین میزان دقت داشت: یعنی ۹۹.۷٪ کهکشان و کوازارها رو درست دسته‌بندی کرد. چیزی که قبلاً ستاره اشتباهی زده بودن رو هم تشخیص داد و اصلاح کرد؛ یعنی حتی می‌تونه خطاهای دیتابیس‌های قدیمی رو دربیاره.
به طور خلاصه، این ابزار هوش مصنوعی دقیقاً زمانی رسیده که لازم داریم؛ قراره تو سال‌های آینده پروژه‌های آسمان‌نگری خیلی عظیم راه بیفته و اطلاعات میلیاردها جرم ثبت بشه – یعنی اگه همچین مدل‌هایی نباشه، دانشمندها تو موج اطلاعات غرق می‌شن! این تلویزیون اسپکتروسکوپی رو بیرون نمی‌ندازه، ولی کاری می‌کنه که بشه با عکس‌های ساده، خیلی کارای عمیق و سریع انجام داد؛ مثلاً ستاره‌های خیلی خاص رو پیدا کنن یا بفهمن کهکشان‌ها چجوری ساختارشون شکل گرفته یا کل تاریخ تکامل کیهان رو پیگیری کنن.
البته یه نکته: کیفیت خروجی مدل به داده‌هایی که باهاش تمرین داده شده بستگی داره. و ممکنه روی مجموعه‌های متفاوت (مثلاً عکسایی که با دوربین‌های دیگه یا از بخش‌های دیگه آسمون گرفته شدن) دقتش کمتر بشه و نتیجه‌ها فرق کنه. الآن دانشمندا دارن روش کار می‌کنن که برای جرم‌های کم‌نورتر و پروژه‌های آینده هم تنظیمش کنن و قوی‌ترش کنن.
در کل انگار ستاره‌شناسی یه دستیار زرنگ و سریع پیدا کرده که هم کار رو راحت‌تر و سریع‌تر می‌کنه، هم خطاهای قدیمی رو در میاره و هم چشمش به ریزه‌کاری‌هایی بازه که از چشم آدما پنهون می‌مونه!
راستی، کل این داستان تو ژورنال معتبر The Astrophysical Journal چاپ شده؛ یعنی منبعشم خیلی باکلاسه 🙂
منبع: +
