هوش مصنوعی جدید ستارگان و کهکشان‌ها را دقیق تر از انسان رصد می‌کند
به گزارش خبرگزاری مهر به نقل از اینترستینگ انجینرینگ، تا به حال برای برچسب زدن میلیون ها ستاره، کهکشان یا اختروش از روشی دقیق اما کند به نام طیف سنجی استفاده می شد که هرچند صحت بالایی دارد اما قادر نیست همپای تلسکوپ های مدرن داده های آنها را پردازش کند.
درهمین راستا محققان چینی یک مدل هوش مصنوعی ساخته اند که می تواند این کار را به سرعت و با دقت بالایی انجام دهد. ابزار مذکور هم اکنون بیش از ۲۷ میلیون شی کهکشان را در طیف وسیعی از آسمان دسته بندی کرده است. با این وجود هدف استفاده از این ابزار صرفه جویی در وقت نیست. در حقیقت هوش مصنوعی شیوه اکتشاف و درک جهان را دگرگون می کند و به محققان امکان می دهد انبوهی از داده ها را بررسی کنند و الگوهای ناشناخته و اجسام نادر آسمانی را که قبلا نادیده گرفته شده بودند را شناسایی کند.
گروهی از پژوهشگران در رصدخانه های Yunnan این چالش قدیمی در ستاره شناسی را بررسی کردند. رصدخانه‌های یون‌نان (Yunnan Observatories) مجموعه‌ای از تلسکوپ‌ها و مراکز تحقیقاتی نجومی هستند که در استان یون‌نان چین قرار دارند. بسیاری از ستارگان و اختروش ها در تصاویر شبیه یکدیگر و به شکل نقطه هایی کوچک و درخشان دیده می شوند. از سوی دیگر کهکشان ها نیز با توجه به آنکه چقدر ازما دور هستند، کوچک به نظر می رسند.
اتکا به اینکه اشیا آسمانی چگونه به نظر می رسند، بیشتر اوقات به سردرگمی منجر می شود. استفاده از الگوهای نور که SED نیز نامیده می شود در این حالت، کمک حال است اما این روش به تنهایی اشتباهاتی را به خصوص درباره اشیا دوردست یا کم نور همراه دارد.
بنابراین محققان یک شبکه عصبی ابداع کردند که از داده ها می آموزد. این سیستم هوش مصنوعی می تواند دو نوع داده را همزمان کنترل کند. یکی از این نوع داده ها ویژگی های مورفولوژیکی (اینکه شی چگونه به نظر می رسد) و دیگری ویژگی SED (میزان درخشش اشیا در طول موج های مختلف چگونه است) است.
این روش دوگانه به ایجاد مدلی منجر شد که تمایزهای نامحسوس بین ستارگان، کهکشان ها و اختروش ها را بهتر رصد می کرد. پژوهشگران مدل هوش مصنوعی خود را براساس منابع طیف سنجی تایید شده هفدهمین داده های منتشر شده Sloan Digital Sky Survey آموزش دادند که یک مخزن داده معتبر با انواع اجسام آسمانی شناخته شده است.
آنها در مرحله بعد مدل را با تصاویری که از Kilo-Degree Survey به دست آمده بود آزمایش و روی اشیایی تمرکز کردند که درخشندگی آنها بیشتر از حد خاصی بود. این مدل داده‌هایی را که حدود ۱۳۵۰ درجه مربع از آسمان را پوشش می‌داد، پردازش کرد و موفق شد بیش از ۲۷ میلیون منبع را به درستی دسته‌بندی کند.
محققان برای بررسی میزان معتبر بودن هوش مصنوعی آن را با مجموعه داده های دیگر نیز آزمایش کردند. هنگامیکه این مدل با ۳.۴ میلیون منبع مربوط به ماموریت Gaia آزمایش شد که بیشتر آنها ستارگانی در مسافت هایی مشخص یا در حال حرکت بودند، ۹۹.۷ درصد از ستارگان به درستی برچسب زده شد.
