نجات کیهان شناسی با هوش مصنوعی

بوکمارک(0)

No account yet? Register

برای کشف اسرار کیهان در کوچکترین مقیاس ممکن، دانشمندان به هوش مصنوعی روی آورده‌اند. فرانسیسکو ویلاسکوسا-ناوارو ملقب به «پاکو» دانشمند بنیاد سیمونز شهر نیویورک و محقق پژوهشی مهمان در دانشگاه پرینستون، مشکلی را توضیح می‌دهد:”میلیاردها دلار در تلسکوپ‌های زمینی و فضایی برای رمزگشایی از اسرار کیهان هزینه می‌کنیم، اما بیشتر اطلاعات دریافتی را از دست می‌دهیم.”

مسئله این است که در هر نظرسنجی، بیشتر اطلاعات در مقیاس بسیار کوچک است. به عنوان مثال، اگر به تصویری از یک جنگل نگاه کنید، اطلاعاتی دریافت خواهید کرد، مانند تصوری تقریبی از تعداد درختان موجود در آن. هنگامی که کمی بزرگنمایی کنید، می‌توانید تک تک درختان را ببینید و اطلاعات بیشتری کسب کنید – مثلاً گونه‌های مختلف و ارتفاع آنها. حتی با بزرگنمایی بیشتر سن، سلامت، ساختار برگ، رنگ های متمایز و موارد دیگر قابل تعیین است.

کیهان‌شناسان برای کشف رازهایی مانند ماهیت ماده تاریک، انرژی تاریک، و تاریخچه‌ی انبساط کیهان اغلب از یکی از روش‌های مورد علاقه خود یعنی بررسی کهکشان‌ها استفاده می‌کنند که شامل نقشه‌هایی از موقعیت و سرعت میلیون‌ها کهکشان هستند. این یکی از بزرگترین همکاری‌ها در جهان محسوب می‌شود. به عنوان مثال، تیم بررسی انرژی تاریک شامل بیش از 400 دانشمند از بیش از 25 مؤسسه در هفت کشور است. در حالی که این بررسی‌ها توسط کاوشگرهای قدرتمند کیهان‌شناسی انجام می‌شود اما تنها بخش نسبتاً کوچکی از تمام محتویات جهان را نقشه‌برداری می‌کند.

با این حال، تقریباً تمام فعالیت‌های کیهان‌شناسی شامل تحلیل این دستاوردهای عظیم و کاهش آن‌ها به خلاصه‌های آماری نسبتاً ساده‌ای مانند میانگین فاصله بین کهکشان‌ها یا تعداد کهکشان‌ها در فواصل مختلف می‌شود. سپس کیهان‌شناسان این خلاصه‌های آماری را به پارامترهایی که در درک بهتر کیهان به ما کمک می‌کند و دارای اهمیت است مانند میزان ماده تاریک یا نرخ انبساط جهان، مربوط می‌کنند.

اخترشناسان برای برآورد دستاوردهای عظیم کیهانی، نیازمند استفاده بیشتر از کوچک‌ترین داده های ممکن هستند، که حاوی اثرگذاری در تحلیل نتایج است. اما در حالی که این داده‌های کوچک حاوی اطلاعات کیهانی غنی زیادی هستند، پر از آلودگی های غیرکیهانی نیز می‌باشند.

ناوارو، دانشمند پژوهشی در بنیاد سیمونز در شهر نیویورک توضیح می‌دهد: “تجربه نشان داده که بیشتر اطلاعات در مورد فیزیک بنیادی، و حتی اخترفیزیک، ناشی از نتایج به دست‌آمده از مقیاس‌های کوچک است. در این پروسه، با توجه به پیچیدگی فیزیک موجود در آن، یافتن الگوها یا پیداکردن شواهد واقعی برای ما دشوار است.

اگر شما یک اخترفیزیکدان هستید، همه این اطلاعات اضافی، مانند پویایی کهکشان‌های منفرد یا نرخ انفجار ابرنواختر، برایتان عالی است، اما اگر کیهان‌شناس باشید، اینها یک آلاینده آزاردهنده برای کارتان به حساب می‌آید. اخترشناسان پیچیدگی لازم برای جداسازی اطلاعات اخترفیزیکی از کیهان را ندارند. برای مثال، وقتی دو کهکشان به روشی خاص با هم تعامل دارند، آیا این اثر ماده تاریک است یا به دلیل بازخورد سیاه‌چاله‌های غول‌پیکر؟ از این رو برای دسته‌بندی اطلاعات و رسیدن به سیگنال کیهانی، به ستاره‌شناسان بهتری نیاز داریم که همان ستاره‌شناسان هوش مصنوعی هستند.

 

شبیه‌سازی نهایی بخش پرحجمی از کیهان، وضوح کم و تکه‌های کوچک اولیه، درنهایت وضوح بالا و ترکیبی از این دو که با استفاده از برنامه‌های یادگیری ماشین ایجاد شده است.

 

ناوارو که با افرادی در سراسر جهان برای توسعه روش‌های هوش مصنوعی در کیهان‌شناسی کار کرده است، توضیح می‌دهد: “هوش مصنوعی دارای پتانسیل لازم برای یافتن راه‌حل بهینه‌ای است که به ما امکان می‌دهد همه اطلاعات را استخراج کنیم.”

اما قبل از اینکه بتوان روش‌های هوش مصنوعی را مورد استفاده قرار داد، ابتدا باید به افراد آموزش داد که چگونه منجمان خوبی باشند. بنابراین، ناوارو و همکارانش به شبیه‌سازی روی می‌آورند. شبیه‌سازی‌های کیهان‌شناختی دانش تمام قوانین فیزیک را که احتمالاً می‌توان همه‌ی آن را در یک رایانه قرارداد، ترکیب می‌کند. سرعت انبساط جهان، طناب‌کشی گرانشی که ساختارهای بزرگ را شکل می دهد، تشکیل ستارگان، انفجارهای ناشی از سیاه‌چاله‌های غول‌پیکر، میدان‌های مغناطیسی و موارد دیگر، همگی وارد یک شبیه‌سازی مدرن می‌شوند.

هدف این شبیه‌سازی‌ها بازتولید فیزیکی هرچه بیشتر داده های ورودی در رایانه ها و سپس تطبیق آن شبیه‌سازی‌ها با مشاهدات واقعی درکیهان است. با این حال تطبیق همه این نابسامانی‌های فیزیک مقیاس کوچک، سخت است – مگر اینکه یک هوش مصنوعی باشید.

ناوارو می‌گوید: ” برای هوش مصنوعی این یک عمل ساده است، زیرا الگوها را شناسایی می‌کند و راه‌حل‌های بهینه را برای مشکلاتی که نمی‌دانیم چگونه برطرف کنیم، پیدا می‌کند.”

ناوارو و همکارانش هزاران شبیه‌سازی را تولید کردند که انواع پارامترهای کیهانی (مانند مقدار ماده تاریک) و پارامترهای اخترفیزیکی (مانند فرایند تشکیل ستاره) را تغییر می‌داد. سپس، آنها این شبیه‌سازی‌ها را به نوعی از هوش مصنوعی که معروف به شبکه‌های عصبی پیچشی یا همگشتی برای شناسایی ظریف‌ترین الگوها طراحی شده است، وارد کردند.

ناوارو می‌گوید: “با نشان دادن شبکه‌های بسیاری از نقشه‌های مختلف کیهان‌شناسی و اخترفیزیک به آن، شبکه در حال یادگیری الگوهایی است که می‌توان از آن برای استنتاج پارامترهای کیهانی استفاده کند.”

این پروسه به‌تازگی راه‌اندازی شده است. مهمتر از همه، ناوارو تأکید می‌کند که هوش مصنوعی می‌تواند به معنای واقعی کلمه هر چیزی را از این شبیه‌سازی ها بیاموزد، از جمله الگوها و ارتباطاتی مانند نتایج حاصل از شبیه‌سازی که واقعی نیستند. برای آزمایش هوش مصنوعی، نه تنها بر روی شبیه‌سازی‌ها، بلکه باید در نظرسنجی‌های موجود با نتایج شناخته‌شده نیز اجرا شود. تنها در این صورت می‌توان به ارائه اطلاعات کیهانی از مجموعه داده‌های آینده اعتماد کرد.

با این حال، او برای آینده هیجان زده است. ” فکر می‌کنم هوش مصنوعی تازه شروع شده است. ما در مرحله پیشرفت تصاعدی هستیم. شخصاً نمی‌دانم هوش مصنوعی تا کجا می‌تواند ما را پیش ببرد، اما تقریباً مطمئن هستم که اوضاع هرگز مثل قبل نخواهد بود.”

4.7/5 - (6 امتیاز)
به اشتراک بگذارید
منبع Astronomy Magazine
ممکن است شما دوست داشته باشید
ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.

go2top