تحقیقات جدید دانشگاه جورجیا نشان می‌دهد که از هوش مصنوعی و یادگیری ماشین می‌توان برای یافتن “سیارات فراخورشیدی” استفاده کرد. سیارات فراخورشیدی به سیاراتی گفته می‌شود که در خارج از منظومه شمسی قرار دارند. اطلاعاتی که از این طریق به دست می‌آید می‌تواند نحوه شناسایی و کشف سیارات جدید توسط دانشمندان را تغییر دهد.
“جیسون تری” نویسنده اصلی این مطالعه و دانشجوی دکترا در بخش فیزیک و نجوم کالج UGA فرانکلین است. او می گوید: «یکی از چیزهای جدید در این مورد، تجزیه و تحلیل محیط‌هایی است که سیارات هنوز در حال شکل‌گیری هستند. یادگیری ماشین به ندرت در مورد نوع داده‌هایی که قبلاً استفاده می‌کردیم، به‌ویژه برای مشاهده سیستم‌هایی که هنوز به‌طور فعال سیاره‌ها را تشکیل می‌دهند، اعمال شده است.»
اولین سیاره فراخورشیدی در سال 1992 شناسایی شد. تا کنون بیش از 5000 سیاره فراخورشیدی شناخته شده است که البته جزو گروهی بودند که یافتن آنها به عنوان ساده‌ترین روش شناسایی برای دانشمندان محسوب می‌شود.
دیدن سیارات فراخورشیدی در مرحله شکل گیری به دو دلیل اصلی دشوار است: دلیل اول اینکه آنها خیلی دور هستند و اغلب صدها سال نوری از زمین فاصله دارند. دلیل دوم این است که دیسک هایی که سیارات فراخورشیدی در آن شکل می‌گیرند بسیار ضخیم و غلیظ هستند؛ ضخیم تر از فاصله زمین تا خورشید.
داده‌ها نشان می‌دهند که سیارات در وسط این دیسک‌ها قرار دارند و نشانه‌ای از غبار و گازهای پرتاب شده توسط سیاره را منتقل می‌کنند. این تحقیق نشان داد که هوش مصنوعی می تواند برای غلبه بر این مشکلات به دانشمندان کمک کند.
کاساندرا هال، استادیار اخترفیزیک، محقق اصلی گروه تحقیقاتی سیاره‌های فراخورشیدی و تشکیل سیارات و یکی از نویسندگان این مطالعه، گفت:
«قدرت اینجاست که ما برای آموزش این هوش مصنوعی از داده‌های یک تلسکوپ مصنوعی استفاده کردیم که صرفا توسط شبیه‌سازی‌های کامپیوتری ایجاد شده بود. سپس آن را روی داده‌های تلسکوپ واقعی اعمال کردیم. این کار قبلاً هرگز در حوزه ما انجام نشده بود و اینک راه را برای سیل اکتشافات با انتشار داده‌های تلسکوپ جیمز وب هموار می‌کند.»
تلسکوپ فضایی جیمز وب، که توسط ناسا در سال 2021 پرتاب شد، سطح جدیدی از نجوم مادون قرمز را به روی ما باز کرد و تصاویر و مجموعه‌ای از داده‌های خیره‌کننده جدید را برای تجزیه و تحلیل دانشمندان به ارمغان آورد. این فقط آخرین تکرار از تلاش آژانس برای یافتن سیارات فراخورشیدی است که به طور ناموزون در سراسر کهکشان پراکنده شده اند.
رصدخانه نانسی گریس روم، تلسکوپ پیمایشی 2.4 متری که قرار است در سال 2027 پرتاب شود و به دنبال انرژی تاریک و سیارات فراخورشیدی باشد، گام بزرگ بعدی در توانایی انسان برای تحویل اطلاعات و داده ها در جهت ردیابی در جهان برای زندگی خواهد بود.
تلسکوپ وب این توانایی را برای دانشمندان فراهم می‌کند تا منظومه‌های فراسیاره‌ای را با روشنایی بیشتر و وضوح بسیار بالاتری ببینند. محیط‌های تشکیل‌دهنده سیارات فراخورشیدی نیز موضوعی بسیار مورد توجه است که ویژگی های منظومه حاصل را تعیین می‌کنند.
تری گفت: «پتانسیل داده های خوب در حال انفجار است، بنابراین زمان بسیار هیجان انگیزی برای این حوزه است»
ابزارهای تحلیلی جدید ضروری هستند
ابزارهای تحلیلی نسل بعدی برای استقبال از این داده‌های باکیفیت شدیدا مورد نیاز است، بنابراین دانشمندان می‌توانند زمان بیشتری را صرف تفاسیر نظری مربوط به دیتاهای به دست آمده کنند تا اینکه با دقت داده‌ها را بررسی کنند و برای یافتن نشانه های کوچک تلاش کنند.
تری بیان کرد: «می‌توان گفت که ما به نوعی انسان بهتری ساخته ایم”
او می گوید: «تا حد زیادی روشی که ما این داده ها را تجزیه و تحلیل می کنیم این است که شما ده ها و یا صدها تصویر برای یک دیسک خاص دارید و فقط نگاه می کنید و می پرسید “آیا این در حال جا به جا شدن و حرکت کردن است؟” سپس ده ها شبیه سازی را اجرا کنید تا ببینید آیا این یک حرکت است یا خیر و… نادیده گرفتن آنها آسان است – آنها واقعاً کوچک هستند، و این به تمیز بودن دیتاها بستگی دارد. بنابراین این روش واقعاً یک روش سریع است و بسیار بادقت است به طوری که دقت آن سیاراتی را می‌یابد که انسان‌ها قادر به تشخیص آنها نیستند.»
تری می‌گوید: «این همان چیزی است که یادگیری ماشین می‌تواند انجام دهد؛ بهبود ظرفیت انسانی برای صرفه‌جویی در زمان و هزینه. و همچنین هدایت کارآمد زمان علمی، سرمایه‌گذاری‌ها و پیشنهادهای جدید.
در علم و به‌ویژه نجوم به طور کلی، شک و تردیدی در مورد یادگیری ماشین و هوش مصنوعی وجود دارد، یک انتقاد معتبر از این جعبه سیاه است – جایی که شما صدها میلیون پارامتر دارید و به نوعی پاسخ می‌گیرید. اما ما فکر می‌کنیم که در این کار به‌شدت نشان داده‌ایم که یادگیری ماشینی کار را انجام می‌دهد. شما می توانید در مورد تفسیر بحث کنید. اما در این مورد، ما نتایج بسیار ملموسی داریم که قدرت این روش را نشان می‌دهد.»
کار این تیم تحقیقاتی، پایه ای را برای کاربردهای آینده در داده های رصدی طراحی کرده است که اثربخشی این روش را با استفاده از مشاهدات شبیه سازی شده نشان می دهد.
منبع: spaceref.com
