هوش مصنوعی در پی کشف اسرار کیهان

این پژوهش که دو هفته پیش در نشریه «نیچر استرونومی» منتشر شده، توسط پژوهشگرانی از دانشگاه آکسفورد، گوگل کلاود و دانشگاه رادبود انجام گرفته و نشان می‌دهد که یک مدل زبانی بزرگ چند منظوره (LLM) که در این مورد «جمینای» گوگل است، می‌تواند با حداقل راهنمایی، به یک دستیار متخصص در زمینه اخترشناسی تبدیل شود.

با استفاده از تنها ۱۵ تصویر نمونه و مجموعه‌ای ساده از دستورالعمل‌ها، «جمینای» توانست رویدادهای واقعی کیهانی را از خطاهای تصویربرداری با دقتی حدود ۹۳ درصد تشخیص دهد. نکته‌ی مهم این است که این هوش مصنوعی حتی برای هر دسته‌بندی، توضیحی ساده و قابل فهم به زبان انگلیسی ارائه داد؛ گامی اساسی در جهت شفاف‌تر و قابل اعتمادتر کردن علم مبتنی بر هوش مصنوعی و همچنین در مسیر ساخت ابزارهایی در دسترس که به پایگاه‌های داده آموزشی عظیم یا دانش عمیق در برنامه‌نویسی هوش مصنوعی نیاز ندارند.

«توران بولموس»، یکی از نویسندگان این پژوهش در گوگل کلاود به خبرگزاری دانشگاه آکسفورد توضیح می‌دهد: «به ‌عنوان کسی که آموزش رسمی در زمینه‌ی اخترشناسی ندیده‌ام، این پژوهش برایم فوق‌العاده هیجان‌انگیز است.» او همچنین ادامه می‌دهد: «این پژوهش نشان می‌دهد که چگونه مدل‌های زبانی بزرگ چند منظوره می‌توانند کشف‌های علمی را مردمی‌تر کنند و به هر فردی که کنجکاوی دارد، امکان دهند تا به شکلی معنادار در حوزه‌هایی مشارکت کند که پیش‌زمینه‌ی سنتی در آن‌ها ندارد. این خود گواهی است بر قدرت هوش مصنوعی در دسترس برای از میان برداشتن موانع در پژوهش علمی.»

سیگنال‌های نادر در جهانی پر از نوفه

تلسکوپ‌های مدرن به ‌صورت بی‌وقفه آسمان را رصد می‌کنند و هر شب میلیون‌ها هشدار درباره‌ی تغییرات احتمالی در آسمان صادر می‌کنند. در حالی ‌که برخی از این هشدارها کشف‌های واقعی هستند، مانند انفجار ستارگان، بخش عظیمی از آن‌ها سیگنال‌های جعلی‌ای هستند که در اثر رد ماهواره‌ها، برخورد پرتوهای کیهانی یا سایر خطاهای ابزاری ایجاد می‌شوند.

به ‌طور سنتی، ستاره‌شناسان برای پالایش این داده‌ها به مدل‌های تخصصی یادگیری ماشینی تکیه کرده‌اند. با این حال، این سامانه‌ها اغلب مانند یک جعبه سیاه عمل می‌کنند و تنها برچسبی ساده با عنوان «واقعی» یا «جعلی» ارائه می‌دهند، بدون آنکه منطق تصمیم‌گیری خود را توضیح دهند. این وضعیت دانشمندان را وادار می‌کند که یا به ‌صورت کورکورانه به خروجی مدل اعتماد کنند، یا ساعت‌های بی‌شماری را صرف بررسی دستی هزاران مورد احتمالی نمایند؛ کاری که با ظهور نسل بعدی تلسکوپ‌ها، مانند رصدخانه «ورا سی. روبین» عملاً غیرممکن خواهد شد.

در چند سال آینده، چالش داده در نجوم به اوج خود خواهد رسید. نقطه کانونی این چالش، رصدخانه «ورا سی. روبین (Vera C. Rubin Observatory)» و پیمایش ۱۰ ساله آن موسوم به پیمایش میراث فضا و زمان (LSST) خواهد بود. این رصدخانه برای رصد مکرر و کامل آسمان جنوبی طراحی شده و رکورددار تولید داده در تاریخ نجوم خواهد بود.

مقیاس این پروژه عظیم، ابعاد بی‌سابقه‌ای دارد. رصدخانه روبین تقریباً ۲۰ ترابایت داده خام در هر شب تولید خواهد کرد. این میزان داده معادل بیش از ۵۰ سال گوش دادن مستمر به موسیقی از طریق اسپاتیفای است. در پایان دوره ۱۰ ساله پیمایش، حجم کل داده‌های خام جمع‌آوری شده به حدود ۶۰ پتابایت خواهد رسید.

این حجم عظیم داده‌ها منجر به تولید یک جریان هشدار (Alert Stream) خواهد شد که به تنهایی بزرگترین چالش عملیاتی را به وجود می‌آورد. در حالی که پیمایش‌های موفق کنونی مانند «Zwicky Transient Facility (ZTF)» تا ۱۰۰هزار هشدار در هر شب ارسال می‌کنند، انتظار می‌رود رصدخانه روبین تقریباً ۱۰ میلیون هشدار در هر شب تولید کند. برای جلوگیری از فوت وقت و فراهم کردن امکان رصد مستمر، سیستم‌های روبین موظف‌اند هر هشدار را ظرف مدت ۶۰ ثانیه پس از تصویربرداری پردازش و به  پرسنل مشغول در رصدخانه ارسال کنند.

حالا این تیم پژوهش یک پرسش ساده مطرح کرده: آیا یک هوش مصنوعی چندوجهی و چندمنظوره مانند «جمینای»، که برای درک همزمان متن و تصویر طراحی شده است، می‌تواند به دقت مدل‌های تخصصی دست یابد؟ همچنین می‌تواند آنچه را می‌بیند توضیح دهد؟

تیم پژوهشی تنها ۱۵ نمونه‌ی برچسب ‌خورده از هر یک از سه رصدخانه اصلی آسمان یعنی «اطلس»، «میر‌لایت» و «پن‌استارز» را در اختیار مدل زبانی بزرگ قرار داد. هر نمونه شامل تصویری کوچک از هشدار تازه، تصویری مرجع از همان بخش آسمان و یک تصویر از تفاوت ایجاد شده در آن ناحیه برای نمایش تغییر بود، همراه با یادداشتی کوتاه از سوی یک کارشناس.

مدل، با تکیه بر همین نمونه‌های اندک و دستورالعمل‌های مختصر، هزاران هشدار جدید را طبقه‌بندی کرد و برای هر مورد برچسبی («واقعی» یا «جعلی»)، یک امتیاز اولویت، و توضیحی کوتاه و قابل فهم درباره تصمیم خود ارائه داد.

انسان در چرخه: هوش مصنوعی‌ای که می‌داند چه زمانی درخواست کمک کند

علاوه بر این، در آزمایشی موازی، تیم پژوهش از «جمینای» خواست تا پاسخ‌های خود را بازبینی کرده و برای هرکدام «امتیاز انسجام» تعیین کند. آنان دریافتند که میزان اطمینان مدل، شاخص قدرتمندی از دقت آن است؛ خروجی‌هایی با انسجام پایین، بسیار بیشتر احتمال داشت نادرست باشند.

این توانایی ارزیابیِ خود برای ایجاد یک جریان کاری قابل اعتماد با حضور «انسان در چرخه» حیاتی است. سامانه با علامت‌گذاری خودکار مواردی که از پاسخ خود مطمئن نیست، آن‌ها را برای بررسی انسانی مشخص می‌کند و بدین ترتیب توجه ستاره‌شناسان را بر بخش‌هایی متمرکز می‌سازد که بیشترین نیاز به بازبینی دارند.

با استفاده از این چرخه‌ی خوداصلاحی برای بهبود نمونه‌های اولیه، تیم توانست عملکرد مدل را در یکی از مجموعه‌داده‌ها از حدود ۹۳.۴٪ به حدود ۹۶.۷٪ ارتقا دهد، که نشان می‌دهد این سامانه می‌تواند در همکاری با متخصصان انسانی یاد بگیرد و پیشرفت کند.

یکی از بخش‌های کلیدی این پژوهش، ارزیابی کیفیت و کارآمدی توضیحات ارائه ‌شده توسط هوش مصنوعی بود. تیم پژوهش گروهی متشکل از ۱۲ ستاره‌شناس را گرد هم آورد تا توضیحات هوش مصنوعی را بررسی کنند؛ آنان این توضیحات را بسیار منسجم و سودمند ارزیابی کردند.

نگاه رو به جلو

تیم پژوهشی این فناوری را به ‌عنوان پایه‌ای برای دستیاران خودگردان «عامل‌محور» در علم تصور می‌کند. چنین سامانه‌هایی می‌توانند فراتر از طبقه‌بندی یک تصویر عمل کنند؛ آن‌ها قادر خواهند بود چندین منبع داده (مانند تصاویر و اندازه‌گیری‌های روشنایی) را ادغام کنند، سطح اطمینان خود را بررسی کنند، به ‌طور خودکار درخواست رصدهای تکمیلی از تلسکوپ‌های روباتیک کنند و تنها کشف‌های بسیار امیدوارکننده و نادر را به دانشمندان انسانی ارجاع دهند.

چون این روش تنها به مجموعه‌ای کوچک از نمونه‌ها و دستورالعمل‌هایی به زبان ساده نیاز دارد، می‌توان آن را به‌سرعت برای ابزارهای علمی جدید، پایش‌ها و اهداف پژوهشی در زمینه‌های مختلف تطبیق داد.

«ما وارد دوره‌ای می‌شویم که کشف‌های علمی نه با الگوریتم‌های جعبه سیاه، بلکه با همراهان هوش مصنوعی شفاف شتاب می‌گیرد.» «توران بولموس» توضیح می‌دهد: «این پژوهش راهی را نشان می‌دهد برای سامانه‌هایی که همراه با ما می‌آموزند، دلایل خود را توضیح می‌دهند و به پژوهشگران در هر زمینه‌ای امکان می‌دهند بر آنچه بیشترین اهمیت را دارد تمرکز کنند: مطرح کردن سؤال بزرگ بعدی.»

پژوهش فوق با عنوان «تفسیر متنی طبقه‌بندی‌های موقتی تصاویر توسط مدل‌های زبانی بزرگ» در نشریه «نیچر استرونومی» منتشر شده است.