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

منارد می‌نویسد هنگام تدریس اخترفیزیک، معمولاً با نشان‌دادن این نکته به دانشجویان شروع می‌کند که ظاهر آسمان، بسته به طول‌موجی که با آن رصد می‌شود، کاملاً تغییر می‌کند. هر طول‌موج ویژگی‌های متفاوتی از جهان را آشکار می‌کند. در نور مرئی، عمدتاً ستاره‌ها را می‌بینیم. با تغییر به فروسرخ، درخشش ذرات ریز غبار نمایان می‌شود که در امتداد نوار راه شیری تجمع یافته‌اند. در امواج رادیویی، ستاره‌ها و غبار کم‌رنگ می‌شوند و گاز هیدروژن، ماده اولیه تشکیل ستاره‌های جدید، به چشم می‌آید. پرتوهای ایکس نیز پدیده‌های پرانرژی و خشنی مانند انفجار ستاره‌ها یا چرخش ماده به درون سیاه‌چاله‌ها را آشکار می‌کنند. ترکیب این مشاهدات به اخترشناسان کمک می‌کند بفهمند گاز چگونه به ستاره تبدیل می‌شود، ستاره‌ها چگونه غبار را در سراسر کهکشان پراکنده می‌کنند و کهکشان‌هایی مانند راه شیری چگونه شکل می‌گیرند.

چرا نقشه کاملی از آسمان در نور فرابنفش وجود نداشت؟

منارد اعتراف می‌کند که هنگام صحبت درباره نور فرابنفش و توانایی آن در آشکارکردن غبارهایی که نور ستاره‌ها را پراکنده می‌کنند، همیشه با یک مشکل مواجه بوده. نقشه‌ای که می‌توانست به دانشجویان نشان دهد، پر از قسمت‌های خالی بود. این نقشه نمی‌توانست تصویر کاملی از ساختارهای آسمان در این طول‌موج ارائه کند.

Claude Science، یک میز کار هوش مصنوعی برای دانشمندان

لایه اوزون جو زمین، نور فرابنفش را جذب می‌کند. بنابراین، برای رصد جهان در این طیف، باید از تلسکوپ‌های فضایی استفاده کرد. طی ۵۰ سال گذشته، تلسکوپ‌های فضایی بخش‌هایی از آسمان را در نور فرابنفش رصد کرده و داده‌های خود را منتشر کرده‌اند؛ اما قسمت‌های زیادی همچنان رصد نشده‌اند.

جزئیات بیشتر نقشه Claude از آسمان را می‌توانید آن را اینجا ببینید.

بزرگ‌ترین مجموعه‌داده در این زمینه حاصل مأموریت GALEX ناسا است که از سال ۲۰۰۳ تا ۲۰۱۳ فعالیت می‌کرد. این مأموریت حدود دوسوم آسمان را در نزدیک به ۳۸ هزار رصد جداگانه تصویربرداری کرد. بااین‌حال، GALEX عمداً از رصد مناطقی که ستاره‌های بسیار درخشانی داشتند، از جمله بخش‌هایی از صفحه یا همان دیسک کهکشان راه شیری، اجتناب می‌کرد. در این ناحیه از کهکشان، ستاره‌ها بیشترین تراکم را دارند و احتمال آسیب‌دیدن آشکارسازهای ماهواره بر اثر نور شدید وجود داشت. تلسکوپ‌های فضایی دیگر، از جمله Swift ناسا و FIMS/SPEAR کره جنوبی، داده‌های بیشتری گردآوری کردند؛ اما حتی با ترکیب این مجموعه‌ها نیز بخش‌هایی از آسمان بدون داده باقی ماندند.

روش‌های آماری برای تخمین داده‌های مفقود و تولید نقشه‌ای کامل وجود دارند، اما اجرای دقیق آن‌ها به هفته‌ها کار مستمر نیاز دارد. این فرایند شامل کالیبراسیون دقیق در سطح تک‌تک پیکسل‌ها و تحلیل‌های پیچیده و تکرارشونده است. اخترفیزیک‌دانان معمولاً چنین پروژه‌هایی را به دلیل اولویت داشتن پژوهش‌های فوری‌تر به تعویق می‌اندازند. در بسیاری از حوزه‌های علمی، پروژه‌هایی وجود دارند که می‌توانند به توضیح یک مفهوم کلیدی یا کمک به پژوهشگران دیگر منجر شوند، اما به دلیل کمبود زمان هیچ‌گاه در اولویت قرار نمی‌گیرند. به گفته منار، ابزارهایی مانند Claude انجام چنین کارهایی را آسان‌تر کرده‌اند.

ساخت نقشه گمشده با کمک Claude Science

منار در تابستان تصمیم گرفت با استفاده از Claude Science نقشه‌ای کامل از آسمان در نور فرابنفش تهیه کند. هدف روشن بود: گردآوری تمام مجموعه‌داده‌های موجود، یکسان‌سازی مقیاس آن‌ها، ادغام داده‌ها در یک نقشه واحد و پر کردن بخش‌هایی که هیچ تلسکوپ فرابنفشی تاکنون رصد نکرده بود.

Claude برای انجام این کار گروهی از عامل‌های هوش مصنوعی را هماهنگ کرد. در مرحله نخست، این عامل‌ها پیمایش‌های نجومی فرابنفشِ در دسترس عموم را در وب جست‌وجو کردند. این پیمایش‌ها شامل مجموعه‌های عظیمی از نقاط داده یا تصاویر بودند؛ برای نمونه، مأموریت GALEX به‌تنهایی ده‌ها هزار تصویر داشت که طی چندین سال و در شرایط متفاوت ثبت شده بودند.

پس از بارگیری داده‌ها، لازم بود هر پیمایش از نظر داخلی یکدست شود تا تصاویر ثبت‌شده در زمان‌های مختلف قابل‌مقایسه باشند. یکی از مراحل مهم، اصلاح اثر نور شدید ستاره‌ها بود. همان‌طور که خورشید یا چراغ خیابان می‌تواند در یک عکس زمینی درخشش مزاحم ایجاد کند، ستاره‌ها نیز ممکن است تصاویر تلسکوپ‌های فضایی را تحت‌تأثیر قرار دهند. این درخشش باید حذف می‌شد تا نور فرابنفش ضعیف‌تر اطراف ستاره‌ها با دقت اندازه‌گیری شود. عامل‌های متعددی با پردازش موازی مناطق مختلف آسمان، به یکدست‌سازی این تفاوت‌ها کمک کردند.

در مرحله بعد، داده‌های تلسکوپ‌های مختلف باید با یکدیگر ترکیب می‌شدند. ازآنجایی‌که ابزارهای متفاوت، آسمان در طول‌موج فرابنفش را به شکل‌های اندکی متفاوت ثبت می‌کنند، مجموعه‌داده‌ها ابتدا با یکدیگر کالیبره شدند، وضوح آن‌ها یکسان شد و سپس روی یک دستگاه مختصات مشترک قرار گرفتند. منار دستورالعمل‌های کلی را ارائه کرد و Claude اجرای مراحل را به گروهی از عامل‌ها سپرد.

بازسازی بخش‌های رصدنشده

سخت‌ترین مرحله، بازسازی قسمت‌های خالی نقشه بود. حدود یک‌سوم آسمان تاکنون در نور فرابنفش رصد نشده است. برای پیش‌بینی از نقاط رصدنشده، منار از Claude Science خواست از روشی به نام درون‌یابی تصویری یا Inpainting استفاده کند؛ روشی رایج در یادگیری ماشین که در آن مدل با یادگیری رابطه میان بخش‌های مختلف تصاویر، قسمت‌های آسیب‌دیده یا مفقودشده را بازسازی می‌کند.

Claude این روش را با اطلاعات موجود در طول‌موج‌های دیگر ترکیب کرد. در مناطقی که داده فرابنفش وجود نداشت، همچنان مشاهدات نور مرئی، فروسرخ و امواج رادیویی در دسترس بود. مدل با استفاده از دوسوم آسمانی که در نور فرابنفش نقشه‌برداری شده بود، رابطه میان روشنایی فرابنفش و داده‌های این طول‌موج‌ها را آموخت. سپس این رابطه را برای تخمین ظاهر بخش‌های فاقد داده به کار گرفت و میزان اطمینان خود به هر تخمین را نیز برآورد کرد.

برای ارزیابی دقت پیش‌بینی‌ها، منار از Claude خواست قسمت‌هایی از مناطق دارای داده واقعی فرابنفش را عمداً پنهان کند. مدل باید بدون دسترسی به مقادیر واقعی، آن بخش‌ها را بازسازی می‌کرد. پس از چند دور اصلاح، توانست داده‌های پنهان‌شده را با اختلافی در حدود ۱۰ درصد نسبت به اندازه‌گیری‌های واقعی تخمین بزند؛ تفاوتی که به گفته منار، با چشم انسان تقریباً قابل‌تشخیص نبود.

در پایان، Claude روی پس‌زمینه پراکنده بازسازی‌شده، تخمین نور فرابنفش بیش از ۱۰۰ میلیون ستاره منفرد را نیز افزود. این تخمین‌ها از اندازه‌گیری‌های نور مرئی ماهواره Gaia آژانس فضایی اروپا به دست آمده بودند. به‌این‌ترتیب، نخستین نسخه نقشه کامل آسمان در طول‌موج فرابنفش آماده شد.

اصلاح خطاها با آزمون و بازبینی

فرایند تولید نقشه بدون خطا نبود. منار هنگام بررسی تصاویر پردازش‌شده متوجه حلقه‌های کم‌رنگی شد که اندکی روشن‌تر یا تاریک‌تر از مناطق اطراف بودند. این حلقه‌ها در واقع آثار تصاویر منفرد مأموریت GALEX بودند. هر تصویر این مأموریت بخش دایره‌ای مشخصی از آسمان را پوشش می‌داد و درخشش فرابنفش غیریکنواختی از جو زمین در آن باقی می‌ماند. اگر این اثر به طور کامل حذف نمی‌شد، هر دایره روشنایی متفاوتی پیدا می‌کرد.

باوجودآنکه Claude این مشکل را از ابتدا به‌عنوان یکی از مسائل شناخته‌شده پروژه ثبت کرده بود، دو مرحله بازبینی توسط عامل‌های دیگر نیز نتوانسته بودند آن را شناسایی کنند. منار از Claude خواست آثار تصاویر منفرد را اصلاح کند. عامل‌ها منشأ مشکل را به درخشش باقی‌مانده جو نسبت دادند و Claude اصلاحات لازم را روی هر ۳۸ هزار مشاهده GALEX اعمال کرد. پس از چند ساعت پردازش، حلقه‌ها از بین رفتند.

در مجموع، منار و Claude بیش از ۱۲ نسخه متوالی از نقشه تولید کردند که هرکدام نسبت به نسخه قبلی دقیق‌تر و کامل‌تر بود. همکاری آن‌ها طی چند روز ادامه داشت: منار در چند مرحله درباره اقدامات بعدی گفت‌وگو می‌کرد و Claude ساعت‌ها محاسبات را به‌صورت مستقل انجام می‌داد.

نقشه نهایی و کاربردهای آموزشی آن

نقشه نهایی آسمان در نور فرابنفش ساختارهای متنوعی را نشان می‌دهد؛ از ابرهای غباری درخشان اطراف ستاره‌های جوان و پرنور گرفته تا حلقه‌ها و کمان‌های عظیم غبار که حباب‌های گازی ناشی از انفجار ستاره‌های پرجرم را ترسیم می‌کنند.

دور از دیسک کهکشان، رشته‌های کم‌نور غبار در سراسر آسمان امتداد یافته‌اند که نور ترکیبی ستاره‌های کهکشان آن‌ها را روشن می‌کند. در پایین دیسک کهکشانی نیز ابرهای ماژلانی بزرگ و کوچک دیده می‌شوند؛ دو کهکشان همسایه کوچک که ستاره‌های جوان و درخشانی دارند.

نقشه نهایی آسمان در نور فرابنفش

منار این نقشه را ابزاری ارزشمند برای آموزش اخترفیزیک می‌داند که می‌تواند در کنار نقشه‌های مرجع دیگر، به نسل‌های مختلف دانشجویان کمک کند تنوع فرایندهای فیزیکی فعال در کهکشان ما را درک کنند. او همچنین تأکید می‌کند که این پروژه را بدون قربانی‌کردن زمانی که معمولاً به پژوهش‌های دیگر اختصاص می‌داد، به پایان رسانده است. به اعتقاد او، بسیاری از دانشمندان نیز نقشه‌ها، نمودارها یا منابع علمی ارزشمندی دارند که به دلیل زمان‌بر بودن تولیدشان، انجام آن‌ها را به تعویق انداخته‌اند.

پیپر فنی و مقاله Full-sky ultraviolet maps from harmonised GALEX, Swift-UVOT, FIMS/SPEAR, TD-1 and Gaia data

منابع داده و نقش هوش مصنوعی

داده‌های استفاده‌شده در تهیه نقشه از مأموریت‌های GALEX و Swift ناسا، مأموریت FIMS/SPEAR کره جنوبی، کاتالوگ ستاره‌ای فرابنفش TD-1 اروپا و مأموریت‌های Planck و Gaia آژانس فضایی اروپا (ESA) تأمین شده‌اند. او همچنین تأکید دارد که بسیاری از عامل‌های هوش مصنوعی در Claude Science در انجام کارهای دقیق و زمان‌بر این پروژه مشارکت داشتند و نقش اصلی او هدایت فرایند بود.

این پروژه نمونه‌ای از کاربرد هوش مصنوعی در گردآوری، استانداردسازی، ترکیب و بازسازی داده‌های علمی است؛ فرایندی که امکان تولید یک منبع آموزشی و پژوهشی ارزشمند را فراهم کرد، درحالی‌که پیش‌تر به دلیل حجم زیاد کار و محدودیت زمان به تعویق افتاده بود.