انقلاب هوش مصنوعی در نجوم: چگونه هوش مصنوعی رازهای کیهان را فاش می‌کند؟

عصر کلان‌داده‌ها در اخترشناسی

پیشرفت‌های خیره‌کننده در طراحی ابزارهای رصدی نسل جدید، مانند رصدخانه روبین (LSST) و تلسکوپ فضایی اقلیدس، اخترشناسی را وارد عصر کلان‌داده‌ها کرده است. پیش‌بینی می‌شود در دهه آینده، حجم داده‌های تولید شده از مرز یک اگزابایت فراتر رود. تحلیل این حجم عظیم از اطلاعات با روش‌های سنتی و فیلترهای دستی غیرممکن است؛ اینجاست که هوش مصنوعی (AI) و یادگیری ماشین (ML) به عنوان ناجیان علم مدرن وارد میدان می‌شوند.

مبانی متدولوژی: از کلاسیک تا عمیق

در وب‌سایت «آی لرن» همواره بر یادگیری اصولی تأکید داریم. در نجوم نیز، مدل‌های هوش مصنوعی بر پایه دو رویکرد اصلی استوارند:

1. یادگیری ماشین کلاسیک: روش‌هایی مانند جنگل‌های تصادفی (Random Forest) که برای طبقه‌بندی ستاره‌ها و سیارات با دقت بالا و قابلیت تفسیرپذیری عالی استفاده می‌شوند.
2. یادگیری عمیق (Deep Learning): این متدولوژی که بر پایه شبکه‌های عصبی مصنوعی بنا شده، توانایی تقریب هر تابع پیچیده و غیرخطی فیزیکی را دارد.

نکته کلیدی در اخترشناسی محاسباتی امروز، استفاده از سویگیری‌های استقرایی فیزیکی (Physical Inductive Biases) است؛ یعنی لایه‌های شبکه عصبی را به گونه‌ای طراحی می‌کنند که قوانین فیزیک، مانند تقارن چرخشی یا تقارن لورنتس، را به طور مستقیم رعایت کنند.

کشف جهان‌های دیگر: هوش مصنوعی و سیارات فراخورشیدی

یکی از درخشان‌ترین کاربردهای هوش مصنوعی، شناسایی سیارات فراخورشیدی از طریق روش گذر (Transit) است. مدل مشهور AstroNet که با همکاری ناسا و گوگل توسعه یافت، توانست با تحلیل داده‌های تلسکوپ کپلر، سیارات پنهانی را در منظومه‌های Kepler-90 و Kepler-80 کشف کند. این شبکه‌ها با تحلیل منحنی‌های نوری در دو نمای سراسری و محلی، نویزهای ابزاری را از سیگنال‌های واقعی گذر سیاره تشخیص می‌دهند. امروزه در مأموریت TESS نیز از الگوریتم‌هایی نظیر ExoMiner استفاده می‌شود که با دقت خیره‌کننده ۹۸ درصد، کاندیداهای واقعی سیاره را از موارد کاذب تفکیک می‌کند.

شنیدن صدای فضا-زمان: امواج گرانشی

کشف امواج گرانشی (مانند رویداد تاریخی GW150914) بدون هوش مصنوعی بسیار دشوارتر می‌بود. تداخل‌سنج‌های LIGO به شدت تحت تأثیر نویزهای زمینی یا Glitches هستند. الگوریتم‌های پیشرفته‌ای مانند AresGW (بر پایه معماری ResNet) و پروژه Gravity Spy با استفاده از یادگیری عمیق و مشارکت شهروند-دانشمندان، موفق شده‌اند نویزها را شناسایی و سیگنال‌های ضعیف ناشی از ادغام سیاه‌چاله‌ها را با سرعتی در مقیاس میلی‌ثانیه آشکار کنند. این سرعت بالا، امکان هشدار آنی به تلسکوپ‌های نوری برای رصد همتای الکترومغناطیسی رویدادها را فراهم می‌آورد.

کیهان‌شناسی و ماده تاریک

در مقیاس‌های بزرگتر، هوش مصنوعی به بازسازی نقشه‌های ماده تاریک کمک می‌کند. از آنجا که ماده تاریک نور منتشر نمی‌کند، دانشمندان از اثر همگرایی گرانشی ضعیف (Weak Lensing) برای ردیابی آن استفاده می‌کنند. مدل‌هایی مانند DeepMass با استفاده از شبکه‌های پیچشی (CNN)، نقشه‌های چگالی ماده تاریک را با دقتی بسیار بالاتر از فیلترهای خطی کلاسیک بازسازی می‌کنند. همچنین، خودرمزگذارهای متغیر (VAEs) برای تولید شبیه‌سازی‌های واقعی از هاله‌های ماده تاریک به کار می‌روند که هزینه محاسباتی را به شدت کاهش داده و دقت مدل‌های استاندارد کیهان‌شناسی را بهبود می‌بخشند.

آینده پژوهش‌های فضایی با ناسا

ناسا اکنون از یادگیری تقویت‌شده (Reinforcement Learning) برای بهینه‌سازی زمان‌بندی تلسکوپ‌ها و ناوبری خودکار مریخ‌نوردهایی مانند استقامت (Perseverance) استفاده می‌کند. افق آینده این علم، ظهور عوامل پژوهش‌گر مبتنی بر مدل‌های زبانی بزرگ (LLM Agents) مانند AstroLLaMA است که می‌توانند فرضیه‌های جدید علمی را مستقیماً از داده‌های رصدی استخراج کنند.

اگر به کاربردهای هوش مصنوعی در آموزش علاقه‌مند هستید پادکست‌های آی لرن را از دست ندهید.