Filter by دسته‌ها
آموزش هوش مصنوعی و انواع آن
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
پایتون و ابزارهای یادگیری عمیق
کتابخانه‌ های یادگیری عمیق
یادگیری با نظارت
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
اخبار
رسانه‌ها
آموزش پردازش زبان طبیعی
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
رویدادها
دوره
کارگاه
وبینار
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
وبینارها، کارگاره‌ها و دوره‌ها
 ممکن کردن غیرممکن‌ها: کشف سیارات فراخورشیدی به کمک هوش مصنوعی

ممکن کردن غیرممکن‌ها: کشف سیارات فراخورشیدی به کمک هوش مصنوعی

تاکنون بیشتر سیارات فراخورشیدی با استفاده از روش گذر کشف شده‌اند. این تکنیک بر مبنای گرفتگی کوچکی عمل می‌کند که هنگام عبور سیاره از جلوی ستاره‌اش رخ می‌دهد. کاهش نور دریافت‌شده از ستاره می‌تواند نشان از حضور یک سیاره داشته باشد. بررسی دوره‌ای این مشاهدات امکان برآورد شعاع آن سیاره را نیز فراهم می‌آورد. با این حال، در بسیاری از منظومه‌های سیاره‌ای، تغییر دائمی تعاملات بین سیاره‌ها امر تشخیص سیارات بدین روش را غیرممکن می‌سازد.

کشف سیارات فراخورشیدی
گروهی از محققان UNIGE و UniBE با همکاری شرکت Disaitek موفق شده‌اند با به‌کارگیری تکنیک‌های هوش مصنوعی، مشابه با آنچه در خودروهای خودران استفاده می‌شود، روشی جدید برای تشخیص سیاره‌های فراخورشیدی ابداع کنند.

در همین راستا، گروهی از منجمان دانشگاه ژنو (UNIGE)، دانشگاه برن (UniBE) و مؤسسه‌ NCCR PlanetS سوئیس با همکاری شرکت Disaitek، تصمیم به استفاده از سیستم‌های تشخیص‌گر تصویر مبتنی بر هوش مصنوعی گرفتند. با آموزش پیش‌بینی تعاملات بین سیاره‌ها به سیستم هوش مصنوعی، امکان کشف سیاره‌های فراخورشیدی که تاکنون غیرممکن به‌نظر می‌رسید، میسر شد. ابزارهایی که طی این پژوهش توسعه یافتند، روی سطح کره‌ زمین هم کاربرد دارند؛ به‌عنوان مثال، به کمک آن‌ها می‌توان تخلیه‌ غیرقانونی زباله‌ها را تشخیص داد.

تشخیص سیاره با روش گذر فرایندی، زمان‌بر است. ماهیت دوره‌ای پدیده‌ گذر تحت تأثیر تعاملات بین سیارات قرار دارد؛ به همین دلیل، پیدا کردن سیگنال‌های حاکی از وجود سیارات کوچک در حجم عظیم داده‌های موجود، با استفاده از تکنیک‌های عادی اگر غیرممکن نباشد، امری پیچیده و دشوار است. به همین دلیل، ابزارهای جدید باید این اثرات را پوشش دهند.

سیارات فراخورشیدی
تکنیک‌های جدید، در صورت وجود سیاره (سمت راست) که مانند رودخانه‌ای در آسمان دیده می‌شود (سمت چپ)، داده‌ها را به‌صورت تصویری بازنمایی می‌کنند. تصویر سمت راست جریان نوری اندازه‌گیری‌شده از ستاره‌ Kepler-36 را نشان می‌دهد که گرفتگی‌های ناشی از گذرِ سیاره‌ Kepler-36b از مقابلش، در آن قابل‌مشاهده است.

آدرین للو، محققی از دپارتمان نجوم دانشکده علوم دانشگاه UNIGE و عضو مؤسسه‌ NCCR PlanetS، می‌گوید: «مشکلاتی از این دست باعث شدند که به کاربرد هوش مصنوعی در تشخیص تصویر روی بیاوریم. می‌توان با استفاده از تعداد زیادی نمونه به یک ماشین آموخت، تا با در نظر گرفتن همه‌ پارامترها، اثر تعاملات بین سیاره‌ها را روی بازنمایی تصویری پدیده‌ گذر پیش‌بینی کند.» در ساخت این سیستم، منجمان از طریق پلتفرم فناوری و نوآوری NCCR، با شرکت Disaitek همکاری کردند.

شبکه‌ عصبی مصنوعی برای تشخیص اشیا

آنتونی گرولین، مدیر Disaitek، توضیح می‌دهد: «هوش مصنوعی به‌کاررفته در این پروژه نوعی شبکه‌ عصبی است که تعیین می‌کند هر کدام از پیکسل‌های موجود در تصویر چه شیئی را نشان می‌دهند.» این الگوریتم زمانی که در خودروهای خودران به کار برود، امکان تشخیص جاده، پیاده‌رو، علائم راهنمایی و رانندگی و عابران پیاده را میسر می‌سازد. در بافت تشخیص سیارات فراخورشیدی نیز تعیین می‌کند که آیا در هر یک از واحدهای اندازه‌گیری‌شده از نور/ درخشش ستاره، گرفتگی ناشی از یک سیاره مشاهده می‌شود یا خیر. بدین منظور، شبکه‌ عصبی همه‌ مشاهدات موجود از آن ستاره را در مقابل طیف وسیع داده‌های آموزشی خود قرار داده و بررسی می‌کند.

آدرین للو توضیح می‌دهد: «تاکنون توانسته‌ایم با تکیه بر این روش دو سیاره فراخورشیدی Kepler-1705b و Kepler-1705c را کشف کنیم. هیچ کدام از روش‌های قبلی موفق به کشف این سیارات نشده بودند. منظومه‌های سیاره‌ای که بدین طریق کشف می‌شوند، منبع ارزشمندی برای اطلاعات ما در خصوص سیارات فراخورشیدی به شمار می‌روند، به‌ویژه سیاره‌های شبه-زمینی که توصیف‌شان بسیار دشوار است. روش مذکور نه‌تنها امکان برآورد شعاع سیارات را فراهم می‌کند، بلکه در خصوص حجم، چگالی و ترکیب‌شان نیز اطلاعات مفیدی به دست می‌دهد.»

یان الیبرت، استاد دانشگاه برن و از کارشناسان NCCR PlantS، در همین راستا می‌گوید: «فناوری هوش مصنوعی روزبه‌روز کاربرد گسترده‌تری در حوزه‌های فیزیک نجومی پیدا می‌کند؛ البته پژوهش حاضر بیشتر بر تکنیک‌های یادگیری عمیق تمرکز داشت. مطالعات دیگر می‌توانند برای پردازش داده‌های مشاهده‌ای از این فناوری استفاده کنند. شاید هم برخی برای تجزیه و تحلیل خروجی شبیه‌سازی‌های عددی غول‌پیکر که چندین ترابایت داده تولید می‌کنند، آن را به کار ببرند. دستاورد اصلی این مطالعات، معرفی نقش مهمی است که این تکنیک‌ها می‌توانند در حوزه‌ فیزیک نجومی و احتمالاً همه‌ حوزه‌های پژوهشی ایفا کنند.»

مشاهده‌ زمین با فناوری‌های جدید

تکنیک مذکور توانسته است کارآمدی خود در مشاهدات نجومی را اثبات کند؛ نکته اینجاست که در مشاهده‌ زمین و محیط‌زیستش نیز می‌توان از آن استفاده کرد. گرگوری چتل، مدیر تحقیق و توسعه‌ شرکت Disaitek، می‌گوید: «هنگام توسعه‌ این فناوری، دریافتیم که برای مسائل دیگری که با داده‌های کمّی سرو‌کار دارند نیز کاربرد دارد.» Disaitek اکنون سعی دارد با استفاده از هوش مصنوعی، تصاویر ماهواره‌ای رزلوشن بالا را بررسی و تحلیل کند، تا هرچه بهتر مسائل زیست‌محیطی، به‌ویژه تخلیه زباله‌های غیرقانونی را مدیریت کند. معضل تخلیه‌ غیرقانونی زباله‌ها آفتی است که به جان کره‌ زمین افتاده است و تاکنون، تکنیک‌های قدیمی هیچ راهکاری برای آن پیدا نکرده‌اند.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
لطفاً برای تکمیل این فرم، جاوا اسکریپت را در مرورگر خود فعال کنید.