Ακούμε για τεχνητή νοημοσύνη όλη την ώρα στις μέρες μας — αλλά τι κάνει για την αστρονομία; Πολλά!
Νέες ερευνητικές εργασίες δημοσιεύονται σχεδόν κάθε εβδομάδα χρησιμοποιώντας τεχνητή νοημοσύνη για κάποια νέα έρευνα στην αστρονομία: ταξινόμηση γαλαξιών, αναγνώριση ηλιακών εκλάμψεων, εξερεύνηση ατμοσφαιρών εξωπλανητών και πολλά άλλα. Το μεγαλύτερο πλεονέκτημα της τεχνητής νοημοσύνης είναι ότι μπορεί να ταξινομήσει βουνά δεδομένων πολύ πιο γρήγορα από έναν άνθρωπο—μια ικανότητα που είναι ιδιαίτερα επίκαιρη καθώς τα νέα τηλεσκόπια παράγουν όλο και περισσότερα δεδομένα για να χειριστούν οι αστρονόμοι.
«Μπορούμε να χρησιμοποιήσουμε [AI] για να αντιμετωπίσουμε προβλήματα που δεν μπορούσαμε να αντιμετωπίσουμε πριν επειδή είναι υπερβολικά υπολογιστικά ακριβά», δήλωσε η Daniela Huppenkothen, αστρονόμος και επιστήμονας δεδομένων στο Ολλανδικό Ινστιτούτο Διαστημικής Έρευνας. σε MIT Technology Review.
Ειδικότερα, ένα τηλεσκόπιο έχει πολλούς αστρονόμους να ανησυχούν για την τεχνητή νοημοσύνη: το Παρατηρητήριο Vera C. Rubinέχει προγραμματιστεί να γίνει ολοκληρώθηκε τον Ιανουάριο του 2025μόλις λίγους μήνες μακριά. Μόλις ανοίξει, θα απεικονίζει ολόκληρο τον νυχτερινό ουρανό κάθε λίγες μέρες για δέκα ολόκληρα χρόνια σε ένα πρόγραμμα γνωστό ως το Έρευνα κληρονομιάς του χώρου και του χρόνου (LSST)δημιουργώντας εξήντα petabyte δεδομένων εκείνη την περίοδο.
«Ο τεράστιος όγκος δεδομένων που θα συγκεντρωθεί τα επόμενα χρόνια από το Παρατηρητήριο Vera C. Rubin και άλλα μεγάλης κλίμακας αστρονομικά έργα είναι απλώς πολύ τεράστιος και πλούσιος για να διερευνηθεί πλήρως με τις υπάρχουσες μεθόδους», δήλωσε ο διευθυντής του NSF Sethuraman Panchanathan. σε δελτίο τύπου του Πανεπιστημίου του Σικάγο. «Με αξιόπιστη και αξιόπιστη τεχνητή νοημοσύνη στην εργαλειοθήκη τους, όλοι, από φοιτητές μέχρι ανώτερους ερευνητές θα έχουν συναρπαστικούς νέους τρόπους για να αποκτήσουν πολύτιμες γνώσεις που οδηγούν σε εκπληκτικές ανακαλύψεις που διαφορετικά θα μπορούσαν να παραμείνουν κρυμμένες στα δεδομένα».
Οι αστρονόμοι χρησιμοποιούν συχνά μια συγκεκριμένη έκδοση του AI γνωστή ως μηχανική μάθηση. Αν και τα εργαλεία AI μπορεί να φαίνονται έξυπνα (και περιγράφονται κυριολεκτικά ως εκμάθηση!), είναι στην πραγματικότητα απλώς αλγόριθμοι που έχουν δημιουργηθεί για να αναγνωρίζουν μοτίβα και να βελτιώνουν τα αποτελέσματά τους καθώς συναντούν περισσότερα δεδομένα. Για το LSST, ένας τρόπος που θα βοηθήσουν αυτοί οι αλγόριθμοι είναι ταξινομώντας τους γαλαξίες με βάση το σχήμα τους.
Παραδοσιακά, αυτό το έργο εκτελείται από ανθρώπους που επιθεωρούν οπτικά κάθε εικόνα — αλλά τα ανθρώπινα μάτια είναι περιορισμένα στις δυνατότητές τους, και έχουμε επίσης τόσες πολλές ώρες αφύπνισης για να εργαστούμε και λίγους επιστήμονες για να τα ολοκληρώσουν όλα. Όχι μόνο είναι γρηγορότερη η μηχανική μάθηση, αλλά αυτοί οι αλγόριθμοι μπορούν να εντοπίσουν μικρότερα χαρακτηριστικά από ό,τι οι άνθρωποι, όπως αχνά σφουγγάρια στις άκρες ενός γαλαξία, και να παρατηρήσουν πιο αμυδρά γαλαξίες. Άλλοι αστρονόμοι ελπίζουν να χρησιμοποιήσουν το AI και το LSST μετρήστε την απόσταση από τους γαλαξίες με μεγαλύτερη ακρίβεια από ποτέελπίζουμε να ρίχνει φως στο κύριο μυστήριο της σκοτεινής ύλης.
Υπάρχει ένα άλλο παρατηρητήριο που πρόκειται να παράγει ακόμη περισσότερα δεδομένα από το LSST: το Παρατηρητήριο Τετραγωνικών Χιλιόμετρων Συστοιχίαςμια διάταξη από πιάτα ραδιοφώνου και κεραίες εξαπλωμένη σε όλη την Αυστραλία και τη Νότια Αφρική. Αυτό το τεχνολογικό επίτευγμα συνδυάζει τις παρατηρήσεις πάνω από 100.000 ξεχωριστών ανιχνευτών, παράγοντας ένα τεράστιο 300 petabyte το χρόνο—σχεδόν τέσσερις φορές περισσότερα από όσα θα δημιουργήσει το LSST σε μια δεκαετία! Οι αστρονόμοι σχεδιάζουν να χρησιμοποιήσουν την τεχνητή νοημοσύνη για να σαρώσουν αυτό το σύνολο δεδομένων για περισσότερες πληροφορίες σχετικά με τα πρώτα αστέρια στο σύμπαν.
Η τεχνητή νοημοσύνη έχει ήδη συμβάλει σε ορισμένες σημαντικές ανακαλύψεις. Το διάσημο πρώτη εικόνα μιας μαύρης τρύπας από το Τηλεσκόπιο Event Horizon πήρε ένα άγγιγμα χάρη σε μια μηχανική μάθηση αλγόριθμο, κάνοντας την εικόνα ακόμα πιο καθαρή. Η εύρεση μικρότερων, περισσότερων εξωπλανητών που μοιάζουν με τη Γη είναι μια διαβόητη πρόκληση και οι αστρονόμοι χρησιμοποίησε μηχανική μάθηση για να διαχωρίσει το σήμα ενός πλανήτη από το σήμα του αστεριού του που μπαίνει στο δρόμο. Και οι αστρονόμοι χρησιμοποιούν ήδη τη μηχανική μάθηση εδώ και χρόνια κατηγοριοποιήστε τα αστέρια που εκρήγνυνται γνωστά ως σουπερνόβα.
«Η μηχανική μάθηση αλλάζει εντελώς τον τομέα μου», είπε ο αστρονόμος του Penn State Joel Leja. «Μου ταράζει το μυαλό κάθε φορά που το σκέφτομαι και μας αφήνει να κάνουμε νέες επιστημονικές ερωτήσεις».
The post Πώς η ισχύς των δεδομένων της τεχνητής νοημοσύνης μπορεί να βοηθήσει στην απομυθοποίηση του σύμπαντος εμφανίστηκε πρώτα στο Popular Science.
VIA: popsci.com
