Πώς η τεχνητή νοημοσύνη μας βοηθά να γνωρίσουμε το διάστημα

Υπάρχουν μερικοί τρόποι για να ανακαλύψουμε έναν πλανήτη, αλλά ο πιο επιτυχημένος είναι με τη μελέτη των μετακινήσεων των πλανητών. Όταν ένας εξωπλανήτης περνά μπροστά από το γονικό του αστέρι, μπλοκάρει μέρος του φωτός που μπορούμε να δούμε.

Παρατηρώντας πολλές τροχιές ενός εξωπλανήτη, οι αστρονόμοι δημιουργούν μια εικόνα των βυθίσεων στο φως, τις οποίες μπορούν να χρησιμοποιήσουν για να προσδιορίσουν τις ιδιότητες του πλανήτη, όπως η μάζα, το μέγεθος και η απόσταση από το άστρο του. Το διαστημικό τηλεσκόπιο Kepler της NASA χρησιμοποίησε αυτήν την τεχνική με μεγάλη επιτυχία παρακολουθώντας χιλιάδες αστέρια ταυτόχρονα, παρακολουθώντας τις ενδεικτικές λακούβες που προκαλούνται από τους πλανήτες.

Οι άνθρωποι είναι πολύ καλοί να βλέπουν αυτές τις πτώσεις, αλλά είναι μια δεξιότητα που χρειάζεται χρόνο για να αναπτυχθεί. Με περισσότερες αποστολές αφιερωμένες στην εύρεση νέων εξωπλανητών, όπως η αποστολή της NASA (Transiting Exoplanet Survey Satellite), οι άνθρωποι απλά δεν μπορούν να τα παρακολουθούν. Εδώ έρχεται η τεχνητή νοημοσύνη.

Οι τεχνικές ανάλυσης χρονολογικών σειρών που αναλύουν τα δεδομένα με διαδοχική ακολουθία  το χρόνο, έχουν συνδυαστεί με την τεχνητή νοημοσύνη για να αναγνωρίσουν επιτυχώς τα σήματα των εξωπλανητών με ακρίβεια έως και 96%.

2. Βαρυτικά κύματα

Τα μοντέλα χρονοσειράς δεν είναι μόνο εξαιρετικά για την εξεύρεση εξωπλανητών, αλλά είναι επίσης τέλεια για την εύρεση των σημάτων των πιο καταστροφικών συμβάντων στο σύμπαν. Συγχωνεύσεις μεταξύ μαύρων οπών(μαύρες τρύπες) και αστεριών νετρονίων.

Όταν αυτά τα απίστευτα πυκνά σώματα πέφτουν προς τα μέσα, στέλνουν κυματισμούς στο χωροχρόνο που μπορούν να ανιχνευθούν μετρώντας αμυδρά σήματα  από εδώ στη Γη. Οι συνεργασίες του ανιχνευτή βαρύτητας Ligo και Virgo έχουν εντοπίσει τα σήματα δεκάδων αυτών των συμβάντων, όλα με τη βοήθεια της μηχανικής μάθησης.

Οργανώνοντας μοντέλα προσομοιωμένων δεδομένων μαύρης τρύπας, οι ομάδες Ligo και Virgo  μπορούν να εντοπίσουν πιθανά γεγονότα την ίδια  στιγμή που συμβαίνουν και να στέλνουν ειδοποιήσεις σε αστρονόμους σε όλο τον κόσμο για να γυρίσουν τα τηλεσκόπια τους στη σωστή κατεύθυνση.

3. Ο ουρανός που αλλάζει

Όταν το Παρατηρητήριο της Βέρα Ρούμπιν, το οποίο κατασκευάζεται επί του παρόντος στη Χιλή, συνδεθεί στο διαδίκτυο, θα παρακολουθεί ολόκληρο τον νυχτερινό ουρανό κάθε βράδυ, συλλέγοντας πάνω από 80 terabyte εικόνων με μία κίνηση, για να δει πώς τα αστέρια και οι γαλαξίες στο σύμπαν αλλάζουν με το χρόνο. Ένα terabyte είναι 8.000.000.000.000 bit.

Κατά τη διάρκεια των προγραμματισμένων εργασιών, η Έρευνα Παλαιού Χώρου και Χρόνου που πραγματοποιείται από το παρατηρητήριο Rubin θα συλλέξει και θα επεξεργαστεί εκατοντάδες petabytes δεδομένων. Για να το θέσουμε στο  σωστό πλαίσιο, 100 petabytes περίπου το ίδιο μέγεθος  όσο  να αποθηκεύσεις κάθε φωτογραφία στο Facebook ή περίπου 700 χρόνια καταγραφής  βίντεο υψηλής ευκρίνειας.

Δεν θα μπορείτε απλώς να συνδεθείτε στους διακομιστές και να κατεβάσετε αυτά τα δεδομένα και ακόμη και αν το κάνατε, δεν θα μπορούσατε να βρείτε αυτό που ψάχνετε.

Οι τεχνικές μηχανικής εκμάθησης θα χρησιμοποιηθούν για την αναζήτηση αυτών των ερευνών επόμενης γενιάς και για την επισήμανση των σημαντικών δεδομένων. Για παράδειγμα, ένας αλγόριθμος μπορεί να ψάχνει τις εικόνες για σπάνια συμβάντα, όπως οι σουπερνόβες – δραματικές εκρήξεις στο τέλος της ζωής ενός αστεριού – και ένας άλλος μπορεί να ψάχνει για κβάζαρ.

Εκπαιδεύοντας τους υπολογιστές να αναγνωρίζουν τα σήματα συγκεκριμένων αστρονομικών φαινομένων, η ομάδα θα μπορεί να παρέχει τα σωστά δεδομένα στους σωστούς ανθρώπους.

4. Βαρυτικοί φακοί

Καθώς συλλέγουμε όλο και περισσότερα δεδομένα για το σύμπαν, μερικές φορές πρέπει ακόμη και να επιμεληθούμε και να πετάξουμε δεδομένα που δεν είναι χρήσιμα. Πώς μπορούμε λοιπόν να βρούμε τα πιο σπάνια αντικείμενα σε αυτές τις σειρές δεδομένων;

Ένα ουράνιο φαινόμενο που εντυπωσιάζει πολλούς αστρονόμους είναι οι ισχυροί βαρυτικοί φακοί. Αυτό συμβαίνει όταν δύο γαλαξίες ευθυγραμμίζονται κατά μήκος της οπτικής μας οπτικής και η βαρύτητα του πλησιέστερου γαλαξία λειτουργεί ως φακός και μεγεθύνει το πιο μακρινό αντικείμενο, δημιουργώντας δακτυλίους, σταυρούς και διπλές εικόνες.

Η εύρεση αυτών των φακών είναι σαν να βρίσκετε μια βελόνα στα άχυρα με το μέγεθος του παρατηρήσιμου σύμπαντος. Πρόκειται για μια αναζήτηση που θα γίνει δυσκολότερη καθώς συλλέγουμε όλο και περισσότερες εικόνες των γαλαξιών.

Το 2018, αστρονόμοι από όλο τον κόσμο συμμετείχαν στην πρόκληση Strong Gravitational Lens Finding Challenge όπου ανταγωνίστηκαν για να δουν ποιος θα μπορούσε να κάνει τον καλύτερο αλγόριθμο για την αυτόματη εύρεση αυτών των φακών.

Ο νικητής αυτής της πρόκλησης χρησιμοποίησε ένα μοντέλο που ονομάζεται συνελικτικό νευρωνικό δίκτυο, το οποίο μαθαίνει να αναλύει τις εικόνες χρησιμοποιώντας διαφορετικά φίλτρα έως ότου μπορεί να τις ταξινομήσει αν περιέχει φακό ή όχι.

Παραδόξως, αυτά τα μοντέλα ήταν ακόμη καλύτερα από ό, τι οι άνθρωποι, βρίσκοντας λεπτές διαφορές στις εικόνες που εμείς οι άνθρωποι δυσκολεύουμε να παρατηρήσουμε.