کاربردهای هوش مصنوعی در نجوم، ستاره‌شناسی و اخترفیزیک

زمان مطالعه: 23 دقیقه

در نجوم و اخترشناسی، مسئله فقط دیدن اجرام دوردست نیست؛ بخش مهمی از کار علمی، استخراج اطلاعات از داده‌هایی است که تلسکوپ‌ها و ابزارهای رصدی ثبت می‌کنند. تغییر بسیار جزئی در نور یک ستاره، شکل نامعمول یک کهکشان یا سیگنالی ضعیف در میان نویز اندازه‌گیری‌ها ممکن است حاوی اطلاعاتی درباره پدیده‌ای مهم باشد. با افزایش حجم داده‌های نجومی، بررسی دستی تمام این اطلاعات دشوارتر شده است.

تفاوت میان نجوم و هوافضا

پیش از ورود به جزئیات، باید یک مرز مفهومی مهم را ترسیم کرد:
کاربرد هوش مصنوعی در نجوم، اخترفیزیک و هوافضا به دو شاخه کاملاً مجزا تقسیم می‌شود.

1. شاخه اول «مهندسی هوافضای و ناوبری خودکار» است که به مسیریابی مریخ‌نوردها، مدیریت ترافیک ماهواره‌ها و عیب‌یابی فضاپیماها می‌پردازد.
2. شاخه دوم «نجوم رصدی و اخترفیزیک محاسباتی» است که با تحلیل داده‌های علمی دریافت‌شده از کیهان سروکار دارد.

تمرکز این گزارش تحلیلی در هوشیو، به طور مشخص بر شاخه دوم است: اینکه معماری‌های شبکه عصبی چگونه فرایند کشف علمی در کیهان‌شناسی را بازتعریف کرده‌اند و در کجا با محدودیت‌های بنیادین روبه‌رو می‌شوند.

برای آشنایی بیشتر با شاخه اول و کاربردهای هوش مصنوعی در مهندسی هوافضا، گزارش جامع هوشیو در خصوص هوش مصنوعی در صنعت هوافضا را مطالعه کنید.

از طراحی هواپیما تا اکتشاف فضا:
کاربردهای هوش مصنوعی در صنعت هوافضا

کاربرد هوش مصنوعی در نجوم و اخترفیزیک چیست و چرا اهمیت دارد؟

هوش مصنوعی در نجوم و ستاره‌شناسی به مجموعه روش‌هایی گفته می‌شود که برای تحلیل داده‌های اخترشناسی، شناسایی الگوها، طبقه‌بندی اجرام و کمک به استنتاج درباره پدیده‌های کیهانی به کار می‌روند. یادگیری ماشین (Machine Learning) یکی از شاخه‌های اصلی این حوزه است. در این روش، الگوریتم از نمونه‌های داده یا ساختارهای موجود در آن‌ها برای انجام یک وظیفه مشخص استفاده می‌کند.

به‌کارگیری هوش مصنوعی در ستاره‌شناسی و اخترفیزیک به پژوهشگران کمک می‌کند الگوها را شناسایی کنند، اجرام آسمانی را طبقه‌بندی کنند و داده‌های ارزشمند را برای بررسی دقیق‌تر در اولویت قرار دهند. این فناوری در برخی موارد نیز به شناسایی نامزدهای کشف علمی کمک کرده است؛ از جمله در تحلیل داده‌های مأموریت‌های جست‌وجوی سیارات فراخورشیدی و یافتن اجرام غیرعادی در آرشیو تلسکوپ فضایی هابل.

بااین‌حال، نقش هوش مصنوعی در ستاره‌شناسی را نباید با جایگزینی اخترشناسان یا اثبات مستقل فرضیه‌های علمی یکسان دانست. مدل می‌تواند سیگنالی را شناسایی کند که از چشم تحلیلگران دور مانده است، اما تفسیر فیزیکی آن سیگنال، ارزیابی عدم قطعیت و تأیید یک کشف همچنان به روش علمی و شواهد قابل‌بررسی وابسته است.

برای مثال، اگر هدف شناسایی سیارات فراخورشیدی باشد، الگوریتم می‌تواند از داده‌های رصدی سامانه‌هایی که پیش‌تر بررسی شده‌اند آموزش ببیند. پس از آموزش و ارزیابی، مدل روی داده‌های دیگر اجرا می‌شود تا سیگنال‌هایی را که با وجود سیاره سازگارند شناسایی کند. در مسئله‌ای دیگر، یک مدل می‌تواند تصاویر کهکشان‌ها را بر اساس ویژگی‌های ظاهری دسته‌بندی کند یا تصاویری را که با الگوهای شناخته‌شده تفاوت دارند برای بررسی بیشتر پیشنهاد دهد.

اهمیت این روش‌ها از ماهیت داده‌های نجومی ناشی می‌شود. رصدخانه‌ها تنها تصویر تولید نمی‌کنند؛ آن‌ها داده‌های تصویری، منحنی‌های تغییر روشنایی، طیف‌های نوری از پرتو گاما گرفته تا فرابنفش و فروسرخ و پرتو X، اندازه‌گیری‌های موقعیتی و مجموعه‌های بزرگ از پارامترهای فیزیکی را ثبت می‌کنند. استخراج اطلاعات از این داده‌ها به روش‌هایی نیاز دارد که با نوع داده و پرسش علمی سازگار باشند.

چرا ستاره‌شناسان و منجمان دیگر بدون هوش مصنوعی نمی‌توانند آسمان را رصد کنند؟

برای اینکه بفهمیم چرا هوش مصنوعی از یک بزار لوکس به یک نیاز حیاتی در رصدخانه‌ها تبدیل شده است، کافی است به حجم اطلاعاتی که تلسکوپ‌های جدید تولید می‌کنند نگاه کنیم. در طول تاریخ نجوم و ستاره‌شناسی مدرن، یکی از بزرگ‌ترین پروژه‌های نقشه‌برداری آسمان، پروژه «پیمایش دیجیتال آسمان اسلون» (SDSS) بود که طی بیش از دو دهه فعالیت، ده‌ها ترابایت داده ارزشمند تولید کرد. اکنون این مقیاس را با رصدخانه‌های نسل جدید مقایسه کنید:

• رصدخانه ورا روبین (Vera C. Rubin Observatory): این تلسکوپ که بر فراز کوه‌های شیلی قرار دارد و به بزرگ‌ترین دوربین دیجیتال تاریخ با کیفیت ۳۲۰۰ مگاپیکسل مجهز شده است. برای نمایش تنها یک عکسِ کامل این دوربین، به ۴۰۰ تلویزیون با کیفیت 4K نیاز دارید! این رصدخانه در طول مأموریت ۱۰ساله خود که به LSST  مشهور است، هر ۳ شب یک‌بار از کل آسمان نیمکره جنوبی عکس‌برداری می‌کند و هر شب حدود ۲۰ ترابایت داده خام تحویل می‌دهد. مهم‌تر از حجم ذخیره‌سازی، سرعت تغییرات است. این رصدخانه در هر شب حدود ۱۰ میلیون هشدار تغییر رویداد (Transient Alerts) صادر می‌کند؛ یعنی ۱۰ میلیون نقطه در آسمان که روشنایی یا موقعیت آن‌ها نسبت به شب‌های قبل تغییر کرده است و می‌تواند نشانه یک ابرنواختر جدید، برخورد ستاره‌های نوترونی یا یک سیارک نزدیک به زمین باشد.
• آرایه کیلومترمربعی (SKAO): بزرگ‌ترین شبکه تلسکوپ رادیویی جهان که در استرالیا و آفریقای جنوبی در حال تکمیل است، در فاز بهره‌برداری کامل، نرخ انتقال داده‌ای از مرتبه چند ترابیت بر ثانیه (بیشتر از کل ترافیک اینترنت بسیاری از کشورها) خواهد داشت و سالانه صدها پتابایت داده پردازش‌شده را روانه آرشیوها می‌کند.
• تلسکوپ فضایی اقلیدس (Euclid) و تلسکوپ فضایی جیمز وب (JWST): تلسکوپ اقلیدس متعلق به آژانس فضایی اروپا، تصاویر و طیف‌های میلیاردها کهکشان را ثبت می‌کند تا توزیع ماده تاریک را تا ۱۰ میلیارد سال نوری آن‌سوتر و برای بیش از ۱.۵ میلیارد کهکشان نقشه‌برداری کند.

اگر بخواهیم بررسی ۱.۵ میلیارد کهکشان تلسکوپ اقلیدس را به دست انسان‌ها بسپاریم و هر نفر برای بررسی هر کهکشان فقط ۱۰ ثانیه وقت بگذارد، انجام این کار به حدود ۵۰۰ سال کارِ شبانه‌روزی و بدون توقف نیاز دارد! ازسوی‌دیگر، الگوریتم‌های سنتی رایانه‌ای که ستاره‌شناسان در دهه‌های گذشته نوشته بودند نیز در برابر این حجم از داده کم می‌آورند؛ زیرا آن فرمول‌های کلاسیک برای بررسی تک‌به‌تکِ اجرام طراحی شده بودند و اجرای آن‌ها روی میلیون‌ها تصویر، ماه‌ها زمان پردازش نیاز دارد. شبکه‌های عصبی عمیق (Deep Learning) دقیقا برای حل این بن‌بست وارد میدان شده‌اند. آن‌ها می‌توانند یک بار آموزش ببینند و سپس میلیون‌ها تصویر یا سیگنال را در عرض چند دقیقه بررسی و غربال کنند.

نخستین تلسکوپ مبتنی بر هوش مصنوعی به رصد آسمان پرداخت

هوش مصنوعی در رصدخانه  Vera C. Rubinدر جست‌وجوی ابرنواختر

هوش مصنوعی جلوی «کور شدن» تلسکوپ جیمز وب را گرفت!

هوش مصنوعی چگونه به اکتشافات علمی جدید در نجوم و اخترفیزیک منجر می‌شود؟

یکی از مهم‌ترین قابلیت‌های هوش مصنوعی در اخترشناسی، پیداکردن الگوهایی است که بررسی آن‌ها با روش‌های دستی دشوار یا بسیار زمان‌بر است. این قابلیت در دو وضعیت اهمیت ویژه دارد.

1. وضعیت نخست زمانی است که پژوهشگر می‌داند به دنبال چه چیزی می‌گردد؛ برای مثال، یک سیگنال ضعیف در منحنی نوری که ممکن است از عبور یک سیاره فراخورشیدی ناشی شده باشد. در این حالت، مدل برای شناسایی نمونه‌های محتمل از میان داده‌های فراوان به کار می‌رود.
2. وضعیت دوم زمانی است که تعریف دقیق پدیده موردنظر دشوار است. در این شرایط، تشخیص ناهنجاری می‌تواند اجرامی را که با نمونه‌های شناخته‌شده تفاوت دارند مشخص کند. پژوهشگر سپس بررسی می‌کند که آیا این تفاوت از یک خطای اندازه‌گیری ناشی شده است یا می‌تواند نشانه یک پدیده فیزیکی جالب باشد.

هوش مصنوعی، کارمند جدید ناسا

در هر دو وضعیت، هوش مصنوعی فضای جست‌وجو را محدودتر می‌کند. اما تبدیل یک الگوی آماری به توضیح علمی، مرحله‌ای مستقل است که به شواهد و استدلال فیزیکی نیاز دارد.

چه می‌شود اگر هوش مصنوعی کنترل علم را به دست بگیرد؟

کاربردها و دستاوردهای هوش مصنوعی در اکتشافات نجوم و اخترفیزیک

برخلاف بسیاری از صنایع که هنوز در حال آزمایش اولیه هوش مصنوعی هستند، ستاره‌شناسان سال‌هاست که از یادگیری ماشین در خط مقدم اکتشافات علمی استفاده می‌کنند. در ادامه، چند مورد از مهم‌ترین کاربردهای اثبات‌شده و نمونه‌های واقعی فناوری هوش مصنوعی در نجوم و اخترفیزیک را به زبان ساده بررسی می‌کنیم.

کشف، رصد و بررسی سیارات فراخورشیدی

یکی از جذاب‌ترین شاخه‌های نجوم، پیداکردن سیاراتی است که خارج از منظومه شمسی ما، به‌دور ستاره‌های دیگر می‌چرخند. سیارات فراخورشیدی (Exoplanets) سیاراتی هستند که به‌دور ستاره‌ای غیر از خورشید می‌گردند. چون این سیارات بسیار دور و تاریک هستند، معمولاً نمی‌توانیم مستقیماً از آن‌ها عکس بگیریم. یکی از روش‌های مهم شناسایی این دست سیارات فراخورشیدی، «روش گذر» (Transit Method) است که هدف ماموریت‌هایی ازجمله تلسکوپ فضایی مثل کپلر (Kepler) و تلسکوپ فضایی TESS است.

در این روش، اگر سیاره از مقابل ستاره میزبان خود عبور کند، ممکن است کاهش اندکی در میزان روشنایی ستاره ثبت شود. تصور کنید به یک لامپ روشن در دوردست نگاه می‌کنید و ناگهان یک پشه از جلوی لامپ رد می‌شود. شما پشه را نمی‌بینید، اما متوجه می‌شوید که نور لامپ برای یک لحظه بسیار کوتاه، کمی ضعیف شد. وقتی سیاره‌ای از جلوی ستاره خودش عبور می‌کند، دقیقاً همین اتفاق می‌افتد و در نمودار روشنایی ستاره که به آن منحنی نوری یا Light Curve می‌گویند، یک فرورفتگی کوچک ایجاد می‌شود. اگر این فرورفتگی در فواصل زمانی منظم تکرار شود، یعنی یک سیاره در حال چرخش به‌دور آن ستاره است.

اما چالش کجاست؟
اگر سیاره‌ای به‌اندازه زمین از جلوی ستاره‌ای شبیه خورشید رد شود، نور ستاره فقط یک‌صدم درصد (۰.۰۱٪) کم می‌شود. تشخیص این تغییر ناچیز فوق‌العاده سخت است، چون خود ستاره‌ها هم لکه‌های تاریک و انفجارهای سطحی دارند و تلسکوپ‌ها هم لرزش‌های ریزی را تجربه می‌کنند که همگی نمودار نور را پر از نویز و خطا می‌کنند. چنین تغییری می‌تواند بسیار ضعیف باشد و با نویز یا تغییرات دیگری که در داده‌ها وجود دارند اشتباه گرفته شود. مدل‌های یادگیری ماشین می‌توانند منحنی‌های نوری را بررسی کنند، سیگنال‌های محتمل را شناسایی کنند و به تفکیک نامزدهای سیاره‌ای از سیگنال‌های نامرتبط کمک کنند. این کاربرد به معنای آن نیست که مدل هر کاهش روشنایی را به‌عنوان یک سیاره می‌پذیرد. سیگنال‌های نامزد باید از نظر کیفیت داده، احتمال توضیح‌های جایگزین و شواهد تکمیلی بررسی شوند.

در سال ۲۰۱۸، «کریستوفر شالو»، مهندس ارشد گوگل و «اندرو وندربرگ»، اخترفیزیک‌دان، مدل مشهور AstroNet را توسعه دادند که بر پایه شبکه‌های عصبی کانولوشنی یک‌بعدی (1D-CNN) طراحی شده بود. سازوکار فنی این مدل نشان می‌دهد چرا یادگیری عمیق در این حوزه برتر عمل کرد:

• ابتدا سری زمانی روشنایی ستاره با استفاده از الگوریتم‌های جست‌وجوی تناوب، روی دوره مداری احتمالی منطبق می‌شود» تا تمام گذرهای احتمالی روی هم قرار گیرند و نسبت سیگنال به نویز افزایش یابد.
• سپس دو دیدگاه از این داده به شبکه عصبی داده می‌شود:
  • یک «دید کلی» (Global View) که کل دوره مداری را پوشش می‌دهد (برای تشخیص اینکه آیا افت نور دومی در نیمه مدار وجود دارد یا خیر که نشانه ستاره دوتایی است نه سیاره).
  • یک «دید محلی» (Local View) که با وضوح بالا دقیقاً روی شکل هندسی فرورفتگی تمرکز می‌کند (فرورفتگی V-شکل معمولاً نشانه خراش ستاره‌ای است، درحالی‌که شکل U با لبه‌های منحنی نشانه سیاره است).

مدل AstroNet با بررسی داده‌های آرشیوی تلسکوپ فضایی کپلر که قبلاً توسط روش‌های آماری بررسی شده بودند، موفق به کشف سیاره Kepler-90i شد؛ کشفی که منظومه Kepler-90 را به نخستین منظومه شناخته‌شده با هشت سیاره (هم‌تراز با منظومه شمسی ما) تبدیل کرد. امروزه نسخه‌های تکامل‌یافته این معماری مانند AstroNet-Triage و ExoMiner ناسا که صدها سیاره جدید را از حالت «گزینه احتمالی» به «تأییدشده» رساندند بخشی جدایی‌ناپذیر از خط لوله پردازش داده‌های تلسکوپ فضایی TESS هستند. این نمونه نشان داد که مدل‌های یادگیری ماشین می‌توانند در داده‌های آرشیوی، سیگنال‌هایی را پیدا کنند که پیش‌تر شناسایی نشده بودند.

نمونه جدیدتر، ExoMiner++ است؛ ابزاری که ناسا در ژانویه ۲۰۲۶ معرفی کرد. این نرم‌افزار متن‌باز برای بررسی داده‌های مأموریت‌های کپلر و TESS توسعه یافته است. اجرای اولیه آن حدود ۷۰۰۰ هدف نامزد سیاره‌ای را شناسایی کرد. این اهداف برای بررسی‌های بعدی اهمیت دارند، اما نباید آن‌ها را با سیارات تأییدشده برابر دانست.

دسترسی رایگان به مدل هوش مصنوعی AstroNet در GitHub

مستندات مدل هوش مصنوعی AstroNet در وب‌سایت ناسا

مدل متن‌باز و رایگان ExoMiner++ ناسا

شناسایی اجرام غیرعادی در تصاویر تلسکوپ

آرشیوهای نجومی حاوی مشاهدات فراوانی هستند که در زمان ثبت خود لزوماً موضوع پژوهش اصلی نبوده‌اند. بررسی دوباره این آرشیوها می‌تواند به یافتن اجرامی منجر شود که به دلیل نادر بودن یا ظاهر نامتعارفشان از توجه پژوهشگران دور مانده‌اند. در ژانویه ۲۰۲۶، ناسا نتایج استفاده از ابزار AnomalyMatch را در آرشیو هابل گزارش کرد. این ابزار نزدیک به ۱۰۰ میلیون برش تصویری را در حدود دو روز و نیم تحلیل کرد و بیش از ۱۳۰۰ جرم غیرعادی را برای بررسی مشخص کرد. بیش از ۸۰۰ مورد از این اجرام، پیش‌تر در ادبیات علمی مستند نشده بودند.

AnomalyMatch

در میان موارد شناسایی‌شده، کهکشان‌های در حال ادغام، عدسی‌های گرانشی، کهکشان‌های دارای ساختارهای غیرمعمول و برخی اجرام دشوار برای طبقه‌بندی دیده می‌شدند. پژوهشگران پس از غربالگری الگوریتمی، گزینه‌های برتر را به‌صورت انسانی بررسی کردند. اهمیت این نمونه کاربرد الگوریتم‌های هوش مصنوعی در نجوم و اخترفیزیک در آن است که هوش مصنوعی لزوماً برای پاسخ‌دادن به یک سؤال از پیش تعریف‌شده استفاده نشده است؛ در عوض، به جست‌وجوی مواردی کمک کرده که از الگوهای شناخته‌شده فاصله دارند. این رویکرد می‌تواند برای یافتن پدیده‌های نادر ارزشمند باشد، اما توضیح اینکه یک جرم چرا چنین ساختاری دارد، به تحلیل فیزیکی و شواهد بیشتری نیاز دارد.

هوش مصنوعی آزمایش‌های عجیب و جدیدی در فیزیک طراحی می‌کند که واقعاً عملیاتی هستند

طبقه‌بندی کهکشان‌ها و ستارگان

کهکشان‌ها از نظر شکل، اندازه، ساختار و وضعیت تکاملی تفاوت‌های زیادی دارند؛ از کهکشان مارپیچی و بیضوی گرفته تا نامنطم و کهکشان‌هایی که در حال ادغام با کهکشانی دیگر هستند. تشخیص شکل کهکشان به دانشمندان می‌گوید که آن کهکشان چه سرگذشتی داشته است. ستاره‌ها نیز از نظر جرم، دما، سن و ترکیب شیمیایی متفاوت‌اند. بررسی این ویژگی‌ها برای مطالعه چگونگی شکل‌گیری و تحول ساختارهای کیهانی ضروری است.

مدل‌های یادگیری ماشین می‌توانند تصاویر و داده‌های مربوط به اجرام را بر اساس ویژگی‌های آموخته‌شده طبقه‌بندی کنند. در مطالعه ستارگان، این مدل‌ها همچنین برای برآورد برخی ویژگی‌های فیزیکی یا شناسایی گروه‌های خاص به کار می‌روند. مرور پژوهشی منتشرشده در سال ۲۰۲۵ درباره یادگیری ماشین در اخترشناسی ستاره‌ای، کاربرد این روش‌ها را در طبقه‌بندی انواع ستارگان و برآورد ویژگی‌های آن‌ها بررسی کرده است.

پیشینه دسته‌بندی کهکشان‌ها به پروژه مشهور علم شهروندی Galaxy Zoo بازمی‌گردد که در آن صدها هزار داوطلب انسانی تصاویر کهکشان‌ها را دسته‌بندی کردند. همین داده‌های برچسب‌خورده توسط انسان، به بستر طلایی برای آموزش نخستین شبکه‌های عصبی عمیق در نجوم تبدیل شد. امروزه مدل‌های ترانسفورمر بینایی (Vision Transformers – ViT) که با پروژه Zoobot توسعه یافته‌اند، می‌توانند میلیون‌ها کهکشان جدید در پیمایش‌های فضایی را با دقتی هم‌سنگ انسان‌های متخصص دسته‌بندی کنند.

Zoobot on GitHub

Machine Learning in Stellar Astronomy: Progress up to 2024

این روش‌ها به ستاره‌شناسان امکان می‌دهند نمونه‌های بزرگ‌تری را بررسی کنند؛ بااین‌حال، طبقه‌بندی خودکار می‌تواند تحت‌تاثیر کیفیت تصویر، محدودیت ابزار و ترکیب داده‌های آموزشی قرار گیرد. به همین دلیل، نتایج باید در چارچوب ویژگی‌های نمونه و خطاهای احتمالی تفسیر شوند.

اما کار مهم‌تر هوش مصنوعی، تخمین «فاصله کهکشان‌ها» است. چون جهان در حال انبساط است، هرچه کهکشانی از ما دورتر باشد، با سرعت بیشتری از ما فاصله می‌گیرد و نور آن بیشتر به سمت رنگ قرمز کشیده می‌شود (پدیده‌ای که به آن انتقال به سرخ یا Redshift می‌گویند).

• روش دقیق اما بسیار کُند: تجزیه کامل نور هر کهکشان با طیف‌سنج (مثل ردکردن نور از منشور). این کار برای کهکشان‌های کم‌نور ساعت‌ها وقت تلسکوپ را می‌گیرد و فقط برای تعداد کمی از کهکشان‌ها امکان‌پذیر است.
• میان‌بر هوش مصنوعی: به‌جای طیف‌سنجیِ زمان‌بر، تلسکوپ فقط با ۵ یا ۶ فیلتر رنگی ساده از آسمان عکس می‌گیرد. شبکه‌های عصبی با بررسی رابطه پیچیده بین رنگ‌های کهکشان در این چند فیلتر، می‌توانند فاصله و عمر صدها میلیون کهکشان را با سرعتی فوق‌العاده تخمین بزنند و نقشه سه‌بعدی کیهان را ترسیم کنند.

چگونه Claude به بازسازی نقشه فرابنفش ناقص آسمان شب کمک کرد؟

درحالی‌که تاکنون تنها حدود دوسوم آسمان در طول‌موج فرابنفش رصد شده است؛ «برایس منارد» پژوهشگر آنتروپیک و اخترفیزیک‌دان دانشگاه جانز هاپکینز با استفاده از Claude Science موفق شد یک‌سوم باقی‌مانده نقشه آسمان را پیش‌بینی و نخستین نقشه کامل آسمان در طول‌موج فرابنفش را تهیه کند.

Claude Science، یک میز کار هوش مصنوعی برای دانشمندان

در این پروژه، Claude مجموعه‌ای از عامل‌های هوش مصنوعی را به کار گرفت تا داده‌های رصدی موجود را از منابع مختلف گردآوری و ترکیب کنند و بخش‌های خالی نقشه را پیش‌بینی کنند. با استفاده از روشی به نام Inpainting و بهره‌گیری از داده‌های موجود در طول‌موج‌های مرئی، فروسرخ و رادیویی،Claude  بخش‌های رصدنشده را بازسازی کرد. پس از چند مرحله اصلاح، تخمین‌ها در این آزمون حدود ۱۰ درصد با اندازه‌گیری‌های واقعی اختلاف داشتند.

این پروژه طی چند روز و با تولید بیش از دوازده نسخه متوالی از نقشه به نتیجه رسید و منارد تأکید می‌کند که وظیفه او در این پروژه به راهنمایی مدل در فرایند محدود بوده است.

نقشه گمشده آسمان:
چگونه Claude به بازسازی نقشه فرابنفش ناقص آسمان شب کمک کرد؟

پایش و تحلیل لحظه‌ای داده‌های نجومی

آسمان شب ایستا نیست؛ ستاره‌ها منفجر می‌شوند (ابرنواختر)، سیاه‌چاله‌ها با هم ادغام می‌شوند و انفجارهای رادیویی سریع (FRB) در عرض چند میلی‌ثانیه انرژی‌ای معادل چند روز درخشش خورشید آزاد می‌کنند و ناپدید می‌شوند. در این شاخه که به آن نجوم زمان-متغیر (Time-Domain Astronomy) می‌گویند، سرعت تصمیم‌گیری همه چیز است.

در این شاخه از نجوم، «سرعت» حرف اول را می‌زند. اگر یک ستاره در کهکشانی دوردست منفجر شود، اخترشناسان باید در همان ساعات اولیه متوجه شوند تا تلسکوپ‌های بزرگ جهان را به سمت آن بچرخانند و پیش از محوشدن نور، ترکیبات شیمیایی آن را بررسی کنند. دو نمونه مهندسی برجسته در این حوزه عبارت‌اند از:

• عامل‌های هشداردهنده در رصدخانه روبین: در تلسکوپ‌هایی مثل رصدخانه ورا روبین، سیستم‌های هوش مصنوعی که به آن‌ها «عامل‌های هشداردهنده» (Alert Brokers) می‌گویند (مانند سیستم‌های ALeRCE و Fink)، عکسِ امشبِ آسمان را با عکسِ شب‌های قبل مقایسه می‌کنند. از میان میلیون‌ها تغییری که در عکس دیده می‌شود، بیش از ۹۰ درصد خطای دوربین، عبور شهاب‌سنگ‌ها یا ردپای ماهواره‌های مصنوعی (مثل ماهواره‌های استارلینک) است. شبکه عصبی در کمتر از چند ثانیه تمام این موارد مزاحم را دور می‌ریزد، انفجارهای واقعی را شناسایی می‌کند و حتی قبل از اینکه انفجار به اوج روشنایی خود برسد، نوع آن را حدس زده و برای ستاره‌شناسان پیامک هشدار می‌فرستد!
• گوش دادن به لرزش فضا-زمان (امواج گرانشی): وقتی دو سیاه‌چاله در اعماق فضا با هم برخورد می‌کنند، هیچ نوری تولید نمی‌شود، اما بافت فضا-زمان مثل سطح آب یک برکه می‌لرزد. رصدخانه‌های LIGO و Virgo این لرزش‌های فوق‌العاده ضعیف (امواج گرانشی) را ثبت می‌کنند. روش سنتی برای پیداکردن این موج در میان نویزهای زمین، مقایسه سیگنال دریافتی با صدها هزار الگوی ازپیش‌طراحی‌شده بود که ساعت‌ها پردازش سنگین رایانه‌ای می‌طلبید. امروزه شبکه‌های عصبی عمیق توانسته‌اند همان سیگنال‌های برخورد سیاه‌چاله‌ها و ستاره‌های نوترونی را در چند هزارم ثانیه (میلی‌ثانیه) تشخیص دهند؛ سرعتی که به تلسکوپ‌های نوری اجازه می‌دهد بلافاصله به سمت محل حادثه بچرخند و درخشش ناشی از برخورد را ثبت کنند.

هوش مصنوعی آزمایش‌های عجیب و جدیدی در فیزیک طراحی می‌کند که واقعاً عملیاتی هستند

ماجرای عکس سیاه‌چاله M87؛ آیا هوش مصنوعی آن را نقاشی کرد؟

در سال ۲۰۱۹، تیم «تلسکوپ افق رویداد» (EHT) نخستین تصویر تاریخ از سایه یک سیاه‌چاله کلان‌جرم در مرکز کهکشان M87 را منتشر کرد؛ تصویری که شبیه یک دوناتِ نارنجی‌رنگ و کمی تار بود. در سال ۲۰۲۳، همین تیم نسخه جدیدی از همان عکس را منتشر کرد که بسیار واضح‌تر بود و حلقه نوری باریک‌تر و دقیق‌تری را نشان می‌داد و اعلام شد که این وضوح بالا به کمک الگوریتم یادگیری ماشین به نام PRIMO به دست آمده است. بلافاصله این شبهه در رسانه‌ها مطرح شد:
«آیا هوش مصنوعی مثل برنامه‌های فتوشاپ، جزئیات خیالی به عکس سیاه‌چاله اضافه کرده است؟»

پاسخ علمی، یک «نه» قاطع است و ماجرای آن به خوبی نشان می‌دهد هوش مصنوعی علمی چقدر با ابزارهای تولید تصویرِ سرگرم‌کننده تفاوت دارد.

اخترفیزیک‌دانان از Codex برای کمک به شبیه‌سازی سیاه‌چاله‌ها استفاده می‌کنند

سیاه‌چاله M87 آن‌قدر از ما دور است که برای عکاسی از آن، به تلسکوپی به بزرگی کل کره زمین نیاز داریم!
چون ساختن چنین تلسکوپی غیرممکن است، دانشمندان ۸ تلسکوپ رادیویی را در نقاط مختلف زمین (از قطب جنوب و شیلی تا اسپانیا و هاوایی) با هم شبکه کردند تا با چرخش زمین، نقش یک تلسکوپ غول‌پیکر را بازی کنند. این روش مثل این است که شما بخواهید با یک آینه بسیار بزرگ عکاسی کنید، اما بیش از ۹۵ درصد شیشه‌های آینه ریخته باشد و فقط چند تکه کوچک از آن باقی مانده باشد. تلسکوپ‌ها فقط توانسته بودند بخش‌هایی از اطلاعات تصویر را ثبت کنند و جاهای خالی زیادی در داده‌ها وجود داشت.

الگوریتم هوش مصنوعی PRIMO چگونه این جاهای خالی را پر کرد؟
دانشمندان به این هوش مصنوعی عکس گربه، درخت یا نقاشی‌های اینترنتی نشان ندادند! آن‌ها بیش از ۳۰ هزار شبیه‌سازی فیزیکی فوق‌العاده دقیق از نحوه چرخش گازهای داغ به‌دور سیاه‌چاله (بر اساس معادلات نسبیت اینشتین) را به‌عنوان خوراک ورودی برای مرحله آموزش، مدل دادند.

الگوریتم هوش مصنوعی PRIMO با استفاده از «یادگیری دیکشنری» و تحلیل مؤلفه‌های اصلی (PCA) یاد گرفت که طبق قوانین فیزیک، گاز اطراف سیاه‌چاله چه الگوهایی می‌تواند داشته باشد و چه الگوهایی از نظر فیزیکی غیرممکن است. سپس جاهای خالی داده‌های تلسکوپ را فقط و فقط با الگوهایی پر کرد که صددرصد با سیگنال‌های واقعی ثبت‌شده توسط تلسکوپ‌ها مطابقت داشتند. بنابراین، هوش مصنوعی چیزی از خودش نساخت، بلکه مثل یک باستان‌شناس ماهر که قوانین آناتومی را می‌داند، قطعات شکسته یک فسیل واقعی را به درست‌ترین شکل ممکن کنار هم چید.

شبیه‌سازی کیهان در کامپیوتر؛ وقتی هوش مصنوعی جایگزین ابررایانه‌ها می‌شود

ستاره‌شناسان با یک محدودیت عجیب روبه‌رو هستند. برخلاف شیمی‌دان‌ها یا زیست‌شناسان، آن‌ها نمی‌توانند یک کهکشان یا ستاره را به داخل آزمایشگاه بیاورند، دمای آن را تغییر دهند و ببینند چه اتفاقی می‌افتد!
اخترفیزیک تنها علم «رصدکردن» نیست و تنها آزمایشگاه اخترشناسان، شبیه‌سازی‌های رایانه‌ای است. آن‌ها قوانین فیزیک، گرانش و رفتار گازها را به ابررایانه‌ها می‌دهند، زمان را از لحظه تولد کیهان (بیگ‌بنگ) جلو می‌برند و یک «کیهان مجازی» می‌سازند تا ببینند آیا کهکشان‌های داخل کامپیوتر شبیه کهکشان‌های واقعیِ آسمان می‌شوند یا خیر.

اما یک مشکل بزرگ وجود دارد:
اجرای تنها یک شبیه‌سازی دقیق از کیهان که بتواند هم حرکت ماده تاریک و هم رفتار گازها، ستاره‌ها و انفجارهای سیاه‌چاله‌ها را محاسبه کند؛ حتی روی قوی‌ترین ابررایانه‌های جهان، چندین ماه طول می‌کشد و میلیون‌ها ساعت برق و توان پردازشی مصرف می‌کند. اگر دانشمندان بخواهند فرضیه جدیدی درباره ماده تاریک را امتحان کنند، نمی‌توانند صد سال صبر کنند تا چند صد شبیه‌سازی انجام شود!

اینجاست که هوش مصنوعی با تکنیکی به نام «شبیه‌سازهای جایگزین» (Surrogate Models / Emulators) جای پای خود را در اخترفیزیک محکم است. در پروژه‌های بزرگی مانند CAMELS به رهبری مؤسسه فلت‌آیرون (Flatiron Institute)، دانشمندان ابتدا چند هزار شبیه‌سازی کوچک را با ابررایانه انجام دادند و نتایج آن را به شبکه‌های عصبی عمیق آموزش دادند. شبکه عصبی «میان‌برِ» قوانین پیچیده فیزیک گازها را یاد گرفت.

هوش مصنوعی در پی کشف اسرار کیهان

نتیجه حیرت‌انگیز است. کاری که قبلاً روی یک ابررایانه غول‌پیکر ماه‌ها طول می‌کشید، اکنون توسط شبکه عصبی در عرض چند ثانیه انجام می‌شود. علاوه بر این، دانشمندان از نوع خاصی از هوش مصنوعی به نام «شبکه‌های عصبی گرافی» (GNN) استفاده می‌کنند. چون کهکشان‌ها در فضا مثل تارهای عنکبوت به هم وصل هستند، این شبکه هر کهکشان را یک نقطه و جاذبه بین آن‌ها را یک خط ارتباطی در نظر می‌گیرد و با نگاهی به شکل این شبکه تارعنکبوتی، رازهای پنهان درباره مقدار ماده تاریک و انرژی تاریک در کل جهان را استخراج می‌کند.

ظهور مدل‌های بنیادین و چندوجهی اختصاصی نجوم و اخترفیزیک

تا یکی دو سال پیش، هر هوش مصنوعی در نجوم فقط یک کار بلد بود: یک مدل فقط سیاره پیدا می‌کرد، مدل دیگر فقط شکل کهکشان را تشخیص می‌داد و مدل سوم فقط امواج گرانشی را می‌شنید. برای آموزش هر کدام هم باید هزاران نمونه را به‌صورت دستی برچسب‌گذاری می‌کردند. به عبارتی تا پیش از سال ۲۰۲۳، پارادایم غالب هوش مصنوعی در نجوم، ساخت مدل‌های تک‌منظوره با یادگیری نظارت‌شده (Supervised Task-Specific Models) بود.

یک مدل زبانی بزرگ برای ستارگان

اما همان انقلابی که باعث تولد LLMها و مدل‌های زبانی بزرگ مثل ChatGPT در دنیای متن و تصویر شد؛ یعنی مدل‌های بنیادین یا پایه‌ای (Foundation Models)، اکنون وارد اخترفیزیک شده است. پیشگام این تحول، گروهی از دانشمندان برجسته در پروژه‌ای به نام Polymathic AI هستند که به دنبال ساختن یک هوش مصنوعی جامع برای علوم پایه هستند.

Polymathic AI

Polymathic AI on HuggingFace

یکی از جذاب‌ترین دستاوردهای این موج جدید، مدلی به نام AstroCLIP است. پژوهشگران اخترفیزیک پرسیدند: در نجوم، چه چیزی معادلِ دو زبان متفاوت برای توصیف یک شیء واحد است؟
برای درک کار این مدل، تصور کنید که ما در نجوم دو نوع اطلاعات اصلی از هر کهکشان داریم: یکی «عکس کهکشان» که ظاهر و رنگ کلی آن را نشان می‌دهد و دیگری «طیف نوری کهکشان» که نموداری پر از خطوط ریز است که مثل بارکد یا اثر انگشت، دمای دقیق، سرعت چرخش و عناصر شیمیایی داخل کهکشان را فاش می‌کند.

مدل AstroCLIP بدون اینکه هیچ انسانی به او آموزش دهد، صدها هزار جفت «عکس و طیف» از کهکشان‌ها را تماشا کرده و یاد گرفته است که چطور ظاهر یک کهکشان را به بارکد شیمیایی و فیزیکی آن ربط دهد. حالا این مدل به یک «دانشنامه هوشمند کیهانی» تبدیل شده است. کافی است فقط عکس یک کهکشان جدید را به او بدهید تا بلافاصله و بدون نیاز به طیف‌سنجیِ گران‌قیمت، جرم ستاره‌های آن، سرعت تولد ستاره‌های جدید و فاصله آن را با دقتی خیره‌کننده به شما بگوید.

AstroCLIP on GitGub

AstroCLIP on HuggingFace

پیپر و مستندات AstroCLIP

یک برنامه‌نویس یا علاقه‌مند به هوش مصنوعی چطور می‌تواند وارد پروژه‌های نجومی شود؟

برای مشارکت در پروژه‌های نجومی، لزوماً نیازی نیست اخترفیزیک‌دان باشید یا به تلسکوپ‌های پیشرفته دسترسی داشته باشید. بسیاری از مسائل این حوزه به مهارت‌هایی مانند برنامه‌نویسی پایتون، پردازش تصویر، تحلیل داده، یادگیری ماشین و آمار وابسته‌اند؛ مهارت‌هایی که برنامه‌نویسان و علاقه‌مندان به هوش مصنوعی می‌توانند آن‌ها را در پروژه‌های علمی به کار بگیرند. نقطه شروع مناسب، انتخاب یک مسئله مشخص و کار با داده‌های واقعی نجومی است؛ نه لزوماً ساخت یک مدل پیچیده از ابتدا.

با داده‌های واقعی نجومی شروع کنید

یکی از ساده‌ترین مسیرها، استفاده از داده‌های عمومی مأموریت‌های فضایی و رصدخانه‌هاست. برای مثال، آرشیو داده‌های ناسا و مأموریت TESS اطلاعاتی در اختیار پژوهشگران قرار می‌دهند که می‌توان از آن‌ها برای تحلیل تغییر روشنایی ستارگان و جست‌وجوی سیارات فراخورشیدی استفاده کرد.

یک پروژه مقدماتی می‌تواند چنین باشد:
مجموعه‌ای از منحنی‌های نوری ستارگان را دریافت کنید، داده‌های ناقص و نویزها را بررسی کنید، تغییرات روشنایی را رسم کنید و الگوریتمی برای شناسایی افت‌های دوره‌ای نور بسازید. چنین افت‌هایی ممکن است با عبور یک سیاره از مقابل ستاره سازگار باشند، هرچند برای نتیجه‌گیری باید توضیح‌های جایگزین نیز بررسی شوند.

برای شروع می‌توانید از این منابع استفاده کنید:

• NASA Open Science Data Repositories
• MAST: آرشیو داده‌های مأموریت‌های نجومی، از جمله TESS و کپلر
• کتابخانه پایتون Astropy: مجموعه ابزارهای پایتون برای کار با داده‌های اخترشناس
• پروژه AstroLLaMA: مدل زبانی بزرگ متن‌باز آموزش‌دیده روی مقالات نجوم و اخترفیزیک

یک مسئله کوچک را با یادگیری ماشین حل کنید

پس از آشنایی با داده‌ها، می‌توانید مسئله‌ای مشخص را به یک پروژه یادگیری ماشین تبدیل کنید. بهتر است در نخستین تجربه، به‌جای آموزش یک مدل بزرگ، از روش‌های ساده‌تر و قابل‌ارزیابی استفاده کنید. برای مثال، در پروژه‌ای برای طبقه‌بندی اجرام آسمانی، می‌توانید داده‌های برچسب‌خورده را به دو بخش آموزش و ارزیابی تقسیم کنید، یک مدل پایه مانند Random Forest بسازید و عملکرد آن را با معیارهایی مانند Precision، Recall و نرخ مثبت کاذب بسنجید. سپس بررسی کنید که آیا مدل روی نمونه‌هایی که در آموزش ندیده است نیز عملکرد مناسبی دارد یا خیر.

اگر به پردازش تصویر علاقه دارید، می‌توانید سراغ طبقه‌بندی تصاویر کهکشان‌ها بروید. اگر تحلیل سری‌های زمانی برایتان جذاب‌تر است، منحنی‌های نوری ستارگان نقطه شروع مناسب‌تری خواهند بود. انتخاب مسئله باید با نوع داده و پرسش علمی هماهنگ باشد.

به پروژه‌های علمی واقعی بپیوندید

برای مشارکت در پژوهش‌های واقعی، لازم نیست حتماً پروژه‌ای مستقل تعریف کنید. بعضی از گروه‌های پژوهشی داده‌ها و ابزارهای خود را در اختیار داوطلبان قرار می‌دهند یا از مشارکت جامعه برای بررسی نتایج الگوریتم‌ها استفاده می‌کنند. برای نمونه، Planet Hunters TESS از مشارکت داوطلبان برای بررسی منحنی‌های نوری مأموریت TESS و شناسایی سیگنال‌های احتمالی سیارات فراخورشیدی استفاده می‌کند. این پروژه برای آشنایی با مسئله‌ای واقعی در اخترشناسی مناسب است؛ حتی اگر مشارکت در آن به‌تنهایی مستلزم برنامه‌نویسی نباشد.

برنامه‌نویسان می‌توانند یک گام جلوتر بروند: داده‌های مرتبط را دریافت کنند، روش‌های پردازش سیگنال را پیاده‌سازی کنند و خروجی مدل خود را با نمونه‌های بررسی‌شده مقایسه کنند. در این مسیر، NASA Citizen Science نیز نقطه شروع مناسبی برای یافتن پروژه‌های مشارکتی در حوزه نجوم و علوم فضایی است.

برای نمونه، رقابت Beyond the Stars در Kaggle مسئله شناسایی گذر سیارات فراخورشیدی از منحنی‌های نوری را مطرح کرده است. این رقابت در اوت ۲۰۲۶ برگزار شد و اکنون باید آن را به‌عنوان نمونه‌ای از یک مسئله و مجموعه‌داده قابل‌مطالعه در نظر گرفت، نه لزوماً رقابتی که هنوز امکان ارسال پاسخ به آن وجود دارد.

محدودیت‌های هوش مصنوعی در نجوم چیست؟ چرا اخترشناسان به هوش مصنوعی اعتماد کامل ندارند؟

موفقیت مدل‌های یادگیری ماشین به این معنا نیست که آن‌ها در همه شرایط قابل اعتمادند. داده‌های نجومی محدودیت‌هایی دارند که می‌توانند مستقیماً بر نتایج مدل تأثیر بگذارند. با وجود تمام این موفقیت‌ها، اگر با یک اخترفیزیک‌دان صحبت کنید، متوجه می‌شوید که آن‌ها با احتیاط و وسواس زیادی با هوش مصنوعی برخورد می‌کنند. دلیلش ساده است:
در دنیای کسب‌وکار، اگر هوش مصنوعیِ پیشنهاددهنده فیلم در نتفلیکس یا تشخیص چهره در گوشی شما ۵ درصد خطا کند، فاجعه‌ای رخ نمی‌دهد. اما در علم فیزیک و نجوم، «تقریباً درست بودن» کافی نیست؛ یک خطای پنهان در الگوریتم می‌تواند دانشمندان را سال‌ها به دنبال یک نظریه غلط درباره کیهان بفرستد.

در ادامه به بررسی برخی از مهم‌ترین چالش‌ها و محدودیت‌های هوش مصنوعی در نجوم و اخترفیزیک می‌پردازیم:

کیفیت و نمایندگی داده‌های آموزشی

مدل‌های نظارت‌شده از نمونه‌هایی یاد می‌گیرند که برای آموزش در اختیارشان قرار گرفته است. اگر این نمونه‌ها تنوع کافی نداشته باشند، مدل ممکن است در شناسایی اجرامی که ویژگی‌های متفاوتی دارند عملکرد ضعیفی نشان دهد. برای مثال، الگوریتمی که عمدتاً با تصاویر واضح و پرنور آموزش دیده است، لزوماً در تحلیل تصاویر کم‌نور یا داده‌های ثبت‌شده با ابزار متفاوت به همان اندازه دقیق نخواهد بود. بنابراین، ارزیابی مدل باید باتوجه‌به دامنه کاربرد و ویژگی‌های داده‌های واقعی انجام شود.

شکاف بین دنیای مجازی و آسمان واقعی؛ مشکل شبیه‌سازی

همان‌طور که دیدیم، برای آموزش بسیاری از مدل‌های هوش مصنوعی در نجوم، به‌اندازه کافی عکس واقعی نداریم و مجبوریم مدل را با «داده‌های شبیه‌سازی‌شده در کامپیوتر» آموزش دهیم. اما آسمان واقعی همیشه شگفتی‌ها و نویزهایی دارد که در هیچ شبیه‌سازی کامپیوتری پیش‌بینی نشده‌اند!

پژوهش‌ها نشان داده‌اند که گاهی یک شبکه عصبی که روی یک شبیه‌سازی خاص با نمره عالی قبول شده، وقتی سراغ شبیه‌سازی دیگری می‌رود که فرمول انفجار ستاره‌ها در آن کمی متفاوت است، به‌شدت دچار خطا می‌شود. بنابراین، اخترشناسان همیشه نگران‌اند که مبادا مدل هوش مصنوعی هنگام نگاه‌کردن به آسمان واقعی، به‌جای کشف حقیقت، پیش‌فرض‌های برنامه‌نویسِ شبیه‌ساز را تکرار کند.

خطر «توهم» (Hallucination) در بهبود تصاویر

امروزه مدل‌های هوش مصنوعی مولد (Generative AI) می‌توانند یک عکس تار و بی‌کیفیت را بگیرند و آن را فوق‌العاده شفاف و باکیفیت تحویل دهند. اما این مدل‌ها چطور کار می‌کنند؟ آن‌ها جزئیاتی را که در عکس وجود ندارد، بر اساس عکس‌های مشابهی که قبلاً دیده‌اند «حدس می‌زنند و اضافه می‌کنند».

پرامپت هوش مصنوعی افزایش کیفیت عکس

در عکاسی معمولی این ویژگی عالی است، اما در نجوم یک خط قرمز بزرگ است. اگر هوش مصنوعی برای شفاف‌کردن عکس یک کهکشان کم‌نور، از خودش یک بازوی مارپیچی یا یک لکه نورانی به عکس اضافه کند، در واقع داده علمی را جعل کرده است. به همین دلیل، اخترشناسان به‌جای مدل‌های زیبایی‌ساز، از «شبکه‌های عصبی بیزی» (Bayesian Networks) استفاده می‌کنند؛ مدل‌هایی که اگر در بخشی از تصویر مطمئن نباشند، چیزی از خودشان اختراع نمی‌کنند، بلکه دقیقاً به دانشمند اعلام می‌کنند: «من در این نقطه از تصویر، ۳۰ درصد احتمال خطا و عدم قطعیت دارم.»

سوگیری داده‌ها دشواری شناسایی و کشف پدیده‌های ناشناخته و جدید

هوش مصنوعی در پیداکردن چیزهایی که قبلاً به او یاد داده‌ایم، فوق‌العاده است. اما بزرگ‌ترین اکتشافات تاریخ علم زمانی رقم خورده‌اند که دانشمندان به‌صورت اتفاقی با پدیده‌ای روبه‌رو شدند که هیچ‌کس قبلاً تصور نمی‌کرد وجود داشته باشد.

اگر یک گروه از اجرام در داده‌های آموزشی بسیار کم‌تعداد باشد، مدل ممکن است نتواند آن را به‌خوبی شناسایی کند. در مقابل، تغییر نامناسب ترکیب نمونه‌های آموزشی نیز می‌تواند باعث شود مدل تعداد بیش از حدی از نمونه‌ها را به یک گروه نادر نسبت دهد.

اگر یک شبکه عصبی معمولی را آموزش دهید تا اجرام فضایی را در ۵ دسته شناخته‌شده قرار دهد و ناگهان یک پدیده کاملاً جدید (مثلاً نوع جدیدی از ستاره یا حتی سیگنالی غیرطبیعی) در تلسکوپ ثبت شود، شبکه عصبی گیج می‌شود و به‌زور آن را در یکی از همان ۵ دسته قدیمی جا می‌دهد!

برای حل این مشکل، دانشمندان اکنون به سراغ الگوریتم‌های «کشف ناهنجاری» (Anomaly Detection) رفته‌اند؛ سیستم‌هایی (مانند پروژه Astronomaly) که وظیفه دارند هر جرم عجیب‌وغریبی را که شبیه هیچ‌کدام از دانسته‌های قبلی بشر نیست، جدا کنند و روی میز اخترشناس انسان بگذارند تا خودش آن را بررسی کند.

نویز، خطاهای ابزار و مثبت کاذب

در اخترشناسی، داده‌ها تحت‌تاثیر شرایط رصد، محدودیت حساسیت ابزار و خطاهای اندازه‌گیری قرار دارند. برخی از این عوامل می‌توانند الگوهایی تولید کنند که برای مدل شبیه یک سیگنال واقعی باشند. خطای مثبت کاذب (False Positive) زمانی رخ می‌دهد که مدل موردی را مثبت تشخیص دهد، درحالی‌که آن مورد واقعاً متعلق به گروه موردنظر نیست. در جست‌وجوی سیارات، برای مثال، یک سیگنال نامزد ممکن است با یک سیاره سازگار باشد، اما توضیح‌های جایگزین نیز باید بررسی شوند. به همین دلیل، صرف افزایش تعداد نامزدهای شناسایی‌شده معیار کافی برای سنجش موفقیت نیست. نرخ خطا، کیفیت احتمال‌های پیش‌بینی‌شده و هزینه بررسی نامزدها نیز اهمیت دارند.

جعبه سیاه و دشواری تفسیر خروجی مدل

برخی مدل‌های پیچیده یادگیری عمیق به‌سادگی توضیح نمی‌دهند که چرا یک نمونه را در یک گروه قرار داده‌اند. این مسئله برای پژوهش علمی مهم است؛ زیرا هدف صرفاً پیش‌بینی درست نیست، بلکه در بسیاری از موارد باید مشخص شود که نتیجه چگونه با دانش فیزیکی موجود سازگار است.

شبکه‌های عصبی معمولی شبیه یک «جعبه سیاه» هستند. میلیون‌ها عدد در داخل آن‌ها ضرب و جمع می‌شوند و در نهایت یک جواب بیرون می‌آید، بدون اینکه به ما بگویند چرا به این جواب رسیده‌اند. از طرفی، یک شبکه عصبی معمولی هیچ درکی از قوانین فیزیک ندارد و ممکن است در پیش‌بینی‌هایش، ناخواسته قانون بقای انرژی یا جرم را نقض کند.

برای رفع این عیب بزرگ، نسل جدیدی از الگوریتم‌ها به نام «شبکه‌های عصبی آگاه از فیزیک» (PINNs) و «رگرسیون نمادین» (Symbolic Regression) وارد میدان شده‌اند:

• در شبکه‌های آگاه از فیزیک، دانشمندان قوانین ریاضی طبیعت (مثل قانون گرانش یا بقای انرژی) را مستقیماً در فرمولِ جریمه هوش مصنوعی قرار می‌دهند؛ یعنی اگر شبکه جوابی بدهد که با قوانین فیزیک نخواند، بلافاصله جریمه می‌شود و مجبور است مسیرش را اصلاح کند.
• در روش «رگرسیون نمادین» نیز، الگوریتم پس از اینکه شبکه عصبی الگوی پنهان در داده‌های فضایی را کشف کرد، به داخل جعبه سیاه می‌رود و رفتار آن را به یک فرمول ریاضی کوتاه و قابل‌فهم برای انسان تبدیل می‌کند؛ درست مثل همان فرمول‌های معروفی که نیوتن و اینشتین روی کاغذ می‌نوشتند.

نیاز به تایید علمی

یک خروجی الگوریتم می‌تواند فرضیه‌ای تازه پیشنهاد دهد، اما تایید آن به نوع ادعا بستگی دارد. گاهی بازتحلیل داده‌های موجود کافی است؛ در موارد دیگر، پژوهشگران به داده‌های مستقل، مشاهدات تکمیلی یا مقایسه با مدل‌های فیزیکی نیاز دارند. این تمایز به‌ویژه هنگام گزارش تعداد کشف‌ها اهمیت دارد. برای مثال، شناسایی هزاران نامزد سیاره‌ای به معنای تأیید هزاران سیاره نیست. همچنین، کشف یک جرم غیرعادی لزوما به معنای کشف یک نوع جدید از اجرام آسمانی نیست. در نتیجه، هوش مصنوعی را بهتر است ابزاری برای گسترش توان تحلیل و جست‌وجوی علمی بدانیم؛ ابزاری که کیفیت نتایج آن به داده، روش اعتبارسنجی و تفسیر پژوهشگر وابسته است.

آیا هوش مصنوعی جای ستاره‌شناسان را می‌گیرد؟

نگاهی به تحولات سال‌های اخیر نشان می‌دهد که هوش مصنوعی دیگر یک ابزار جانبی در نجوم نیست، بلکه به بخش جدایی‌ناپذیرِ تلسکوپ‌های مدرن تبدیل شده است. بدون یادگیری ماشین، میلیاردها دلار سرمایه‌گذاری بشر روی تلسکوپ‌های بزرگی مثل جیمز وب، اقلیدس و ورا روبین، به انبوهی از هارددیسک‌های بایگانی‌شده تبدیل می‌شد که هیچ‌کس فرصت دیدن آن‌ها را نداشت.

بااین‌حال، مرز میان «پیداکردن الگو در داده‌ها» و «فهمیدن قوانین کیهان» همچنان پابرجاست. هوش مصنوعی می‌تواند در عرض چند ثانیه از میان یک میلیارد کهکشان، ده کهکشان عجیب را پیدا کند یا رابطه‌ای ریاضی میان جرم سیاه‌چاله و کهکشان میزبانش بیابد؛ اما این فناوری درک نمی‌کند که «زمان»، «گرانش» یا «انبساط عالم» به چه معناست.

آینده نجوم و اخترفیزیک در عصر هوش مصنوعی

آینده علم نجوم و اخترفیزیک نه در حذف انسان، بلکه در همکاری شگفت‌انگیز میان مغز انسان و شبکه عصبی شکل می‌گیرد. هوش مصنوعی بارِ سنگینِ غربالگریِ پتابایت‌ها داده و محاسبات طاقت‌فرسا را از دوش دانشمندان برمی‌دارد تا اخترشناسان بتوانند وقت خود را صرف کاری کنند که فقط از ذهن انسان برمی‌آید: پرسیدن سؤال‌های بزرگ، تخیل علمی و کشف قوانین بنیادین طبیعت.

ستاره‌شناسان به کمک هوش مصنوعی نیاز دارند

یکی از تحولات مهم در اخترشناسی، افزایش حجم داده‌های حاصل از رصدهای گسترده و تکرارشونده است. در چنین شرایطی، تحلیل داده‌ها تنها به بررسی یک مجموعه تصویر محدود نمی‌شود؛ بلکه باید تغییرات آسمان در طول زمان، ارتباط میان مشاهدات مختلف و اولویت‌بندی اهداف برای رصدهای بعدی نیز مدیریت شود.

رصدخانه ورا روبین نمونه‌ای از این تغییر مقیاس است. سامانه هشدار آن برای شناسایی تغییرات آسمان و تولید جریان بزرگی از هشدارهای نجومی طراحی شده است. این هشدارها از طریق سامانه‌های پردازش و کارگزارهای داده در اختیار جامعه علمی قرار می‌گیرند و می‌توانند با طبقه‌بندی و تطبیق اطلاعات، برای پژوهش‌های مختلف فیلتر شوند.

در آینده، چند مسیر پژوهشی اهمیت خواهند داشت:

• مدل‌های قابل‌اعتمادتر: روش‌هایی که عدم قطعیت را بهتر برآورد کنند و در مواجهه با داده‌های متفاوت عملکرد قابل‌ارزیابی داشته باشند.
• مدل‌های آگاه از فیزیک: معماری‌هایی که محدودیت‌ها و ساختارهای فیزیکی را در طراحی خود لحاظ می‌کنند.
• تحلیل چندمنبعی: ترکیب اطلاعات تصویری، طیفی و زمانی برای بررسی دقیق‌تر پدیده‌ها.
• تشخیص ناهنجاری پیشرفته: یافتن اجرامی که در دسته‌بندی‌های متداول جای نمی‌گیرند.
• خودکارسازی زنجیره تحلیل: اتصال پردازش داده، انتخاب نامزدها و برنامه‌ریزی بررسی‌های تکمیلی به یک فرایند منسجم‌تر.

این مسیرها فرصت‌های پژوهشی مهمی هستند، اما سرعت پیشرفت و میزان موفقیت هرکدام به داده‌های در دسترس، اعتبارسنجی و نیازهای علمی وابسته است. به‌ویژه در کاربردهای جدیدتر، مانند مدل‌های پایه و عامل‌های هوش مصنوعی برای پژوهش علمی، باید میان قابلیت آزمایشگاهی و عملکرد اثبات‌شده در پروژه‌های نجومی تفاوت قائل شد.

پرسش‌های متداول

• هوش مصنوعی در نجوم چه کاربردهایی دارد؟
  از کاربردهای اصلی آن می‌توان به جست‌وجوی سیارات فراخورشیدی، طبقه‌بندی ستارگان و کهکشان‌ها، شناسایی اجرام غیرعادی، تحلیل لحظه‌ای داده‌های و کمک به شبیه‌سازی‌های اخترفیزیکی اشاره کرد.
• آیا هوش مصنوعی می‌تواند سیارات جدید کشف کند؟
  بله. الگوریتم‌های یادگیری ماشین می‌توانند سیگنال‌های محتمل سیاره‌ای را در داده‌های تلسکوپ‌ها شناسایی کنند. بااین‌حال، شناسایی یک نامزد با تأیید نهایی وجود سیاره یکسان نیست و به بررسی‌های تکمیلی نیاز دارد.
• هوش مصنوعی چگونه تصاویر تلسکوپی را تحلیل می‌کند؟
  مدل‌های یادگیری ماشین و یادگیری عمیق می‌توانند ویژگی‌های تصویری را یاد بگیرند، اجرام را طبقه‌بندی کنند یا تصاویر دارای الگوهای غیرعادی را برای بررسی بیشتر مشخص کنند.
• آیا هوش مصنوعی می‌تواند اجرام ناشناخته را پیدا کند؟
  هوش مصنوعی می‌تواند اجرامی را شناسایی کند که با الگوهای شناخته‌شده تفاوت دارند. اما غیرعادی بودن یک جرم به‌تنهایی ثابت نمی‌کند که با یک پدیده کاملاً جدید روبه‌رو هستیم؛ این موضوع به بررسی علمی نیاز دارد.
• آیا عکس‌های رنگی و خیره‌کننده تلسکوپ جیمز وب با هوش مصنوعی ساخته شده‌اند؟
  خیر. تلسکوپ فضایی جیمز وب نور فروسرخ کیهان را ثبت می‌کند؛ نوری که چشم انسان قادر به دیدن آن نیست. دانشمندان با یک روش کاملاً علمی و استاندارد (نه با هوش مصنوعیِ مولد تصویر)، این طول‌موج‌های نامرئی را به رنگ‌های قابل‌دیدن (آبی، سبز و قرمز) ترجمه می‌کنند تا جزئیات واقعی گازها و ستاره‌ها دیده شود. هوش مصنوعی فقط برای حذف نویزهای دوربین و تحلیل داده‌های علمی این عکس‌ها کاربرد دارد، نه برای نقاشی‌کردن آن‌ها.
• یک برنامه‌نویس یا علاقه‌مند به هوش مصنوعی چطور می‌تواند وارد پروژه‌های نجومی شود؟
  نجوم یکی از بازترین و سخاوتمندترین علوم جهان است. تقریباً تمام عکس‌ها و داده‌های تلسکوپ‌های بزرگ ناسا و اروپا (مثل کپلر، هابل و جیمز وب) به‌صورت رایگان در اینترنت (در سایت‌هایی مثل آرشیو MAST) در دسترس همه مردم جهان قرار دارد. همچنین کتابخانه‌های پایتون استاندارد مانند Astropy و پروژه‌های هوش مصنوعی معروفی مثل AstroNet و Zoobot کاملاً متن‌باز (Open-Source) هستند و مسابقات جذابی در سایت Kaggle برای حل مسائل فضایی با کدنویسی پایتون برگزار می‌شود که هر برنامه‌نویسی می‌تواند در آن‌ها شرکت کند.
• آیا چت‌بات‌هایی مثل ChatGPT هم در رصدخانه‌ها استفاده می‌شوند؟
  مدل‌های زبانی مثل ChatGPT برای کار با کلمات ساخته شده‌اند، نه برای تحلیل مستقیمِ پیکسل‌های تلسکوپ؛ اما نسخه‌های علمیِ مدل‌های زبانی که روی صدها هزار مقاله نجومی آموزش دیده‌اند (مانند پروژه AstroLLaMA)، به‌عنوان دستیار هوشمند به ستاره‌شناسان کمک می‌کنند تا خلاصه مقالات قدیمی را در چند ثانیه بخوانند، کدهای برنامه‌نویسیِ تحلیل داده را سریع‌تر بنویسند و زمان‌بندی چرخش تلسکوپ‌ها را مدیریت کنند.
• مهم‌ترین تفاوت کاربرد هوش مصنوعی در نجوم با کاربردهای روزمره (مثل تشخیص چهره) چیست؟
  مهم‌ترین تفاوت در «محاسبه میزان خطا» و «رعایت قوانین فیزیک» است. در تشخیص چهره گوشی، کافی است مدل بگوید «این تصویر شبیه صاحب گوشی است». اما در نجوم، هر عددی که هوش مصنوعی اعلام می‌کند (مثلاً جرم یک ستاره یا فاصله یک کهکشان) باید همراه با «بازه دقیق خطا» (Error Bar) باشد و هیچ‌گاه قوانین اثبات‌شده فیزیک مثل بقای انرژی را نقض نکند؛ در غیر این صورت، آن خروجی از نظر علمی بی‌اعتبار است.
• مهم‌ترین محدودیت هوش مصنوعی در نجوم چیست؟
  کیفیت و نمایندگی داده‌های آموزشی، نویز اندازه‌گیری، خطاهای طبقه‌بندی، دشواری تعمیم مدل به داده‌های جدید و نیاز به اعتبارسنجی مستقل از مهم‌ترین محدودیت‌ها هستند.
• آیا هوش مصنوعی می‌تواند جایگزین اخترشناسان شود؟
  در وضعیت فعلی، کاربرد اصلی آن کمک به تحلیل داده‌ها، شناسایی الگوها و اولویت‌بندی پژوهش‌هاست. تفسیر فیزیکی نتایج، ارزیابی شواهد و تعیین اعتبار یک کشف همچنان به روش علمی و بررسی پژوهشگران نیاز دارد.