Η αστρονομία έχει να κάνει με τα δεδομένα.



Το σύμπαν μεγαλώνει, το ίδιο ισχύει και για τις πληροφορίες που αποκομίζουμε σχετικά με αυτό. Κάποιες από τις μεγαλύτερες προκλήσεις της επόμενης γενιάς αστρονομίας έγκειται στο πώς θα μελετήσουμε όλα τα δεδομένα που συλλέγουμε. Για να αντιμετωπίσουν αυτές τις προκλήσεις, οι αστρονόμοι στρέφονται στη μηχανική μάθηση (ML) και την τεχνητή νοημοσύνη (AI), ώστε να δημιουργήσουν νέα εργαλεία για να επιτύχουν γρήγορα τις επόμενες μεγάλες ανακαλύψεις. Σε αυτό το άρθρο, θα αναλύσουμε τέσσερις τρόπους με τους οποίους το AI βοηθά τους αστρονόμους στη μελέτη και την κατανόηση του σύμπαντος.

Κυνήγι πλανητών: Υπάρχουν διάφοροι τρόποι με τους οποίους μπορεί να ανακαλυφθεί ένας πλανήτης. Ωστόσο, ο πιο επιτυχημένος είναι η μελέτη των διελεύσεων. Όταν ένας εξωπλανήτης περνά μπροστά από το γονικό του αστέρι, μπλοκάρει ένα 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 απόστασή του από το αστέρι του. Το διαστημικό τηλεσκόπιο “Kepler” της NASA χρησιμοποίησε αυτήν την τεχνική με μεγάλη επιτυχία, παρακολουθώντας χιλιάδες αστέρια ταυτόχρονα και παρατηρώντας τις βυθίσεις που προκαλούνται από τους πλανήτες.

Οι άνθρωποι είναι αρκετά καλοί στο να βλέπουν αυτές τις βυθίσεις, αλλά είναι μια δεξιότητα που χρειάζεται χρόνο για να αναπτυχθεί. Με πολλές αποστολές αφιερωμένες στην εύρεση νέων εξωπλανητών, όπως το Transiting Exoplanet Survey Satellite της NASA, οι άνθρωποι δεν μπορούν να παρακολουθούν. Εδώ ξεκινά ο ρόλος του AI. Οι τεχνικές ανάλυσης χρονολογικών σειρών – οι οποίες αναλύουν δεδομένα ως διαδοχική ακολουθία με το χρόνο – έχουν συνδυαστεί με έναν τύπο AI, για να αναγνωρίσουν επιτυχώς τα σήματα των εξωπλανητών, με ακρίβεια έως και 96%.

Βαρυτικά κύματα: Τα μοντέλα χρονοσειρών δεν είναι εξαιρετικά μόνο για την εύρεση εξωπλανητών, αλλά και για την εύρεση των σημάτων των πιο καταστροφικών γεγονότων στο σύμπαν – συγχωνεύσεις μεταξύ μαύρων οπών και αστεριών νετρονίων. Όταν αυτά τα πυκνά σώματα πέφτουν προς τα μέσα, στέλνουν κυματισμούς στο χωροχρόνο που μπορούν να ανιχνευθούν μετρώντας ελαφρά σήματα εδώ στη Γη.

 Οι συνεργασίες των ανιχνευτών βαρυτικών κυμάτων “Ligo” και “Virgo” έχουν εντοπίσει τα σήματα δεκάδων τέτοιων γεγονότων με τη βοήθεια της μηχανικής μάθησης. Με την εκπαίδευση μοντέλων σε προσομοιωμένα δεδομένα συγχωνεύσεων μαύρων οπών, οι ομάδες των Ligo και Virgo μπορούν να εντοπίσουν τυχόν γεγονότα την ώρα που συμβαίνουν και να στέλνουν ειδοποιήσεις σε αστρονόμους σε όλο τον κόσμο, για να στρέψουν τα τηλεσκόπιά τους προς τη σωστή κατεύθυνση.

Ο μεταβαλλόμενος ουρανός: Όταν το Παρατηρητήριο της Vera Rubin, το οποίο χτίζεται επί του παρόντος στη Χιλή, εμφανιστεί στο Διαδίκτυο, θα παρακολουθεί ολόκληρο τον ουρανό κάθε βράδυ – συλλέγοντας πάνω από 80 terabyte εικόνων τη φορά – για να δει πώς τα αστέρια και οι γαλαξίες στο σύμπαν ποικίλλουν ανάλογα με το χρόνο. Ένα terabyte είναι 8.000.000.000.000 bit. Κατά τη διάρκεια των προγραμματισμένων εργασιών, το Legacy Survey of Space and Time (LSST) που πραγματοποιείται από τον Rubin, θα συλλέγει και θα επεξεργάζεται εκατοντάδες petabytes δεδομένων.

Τα 100 petabytes αφορούν τον χώρο που χρειάζεται για την αποθήκευση κάθε φωτογραφίας στο Facebook ή περίπου 700 χρόνια πλήρους βίντεο υψηλής ευκρίνειας. Δεν θα μπορείτε απλώς να συνδεθείτε στους servers και να κατεβάσετε αυτά τα δεδομένα, και ακόμη και αν το κάνετε, δεν θα μπορείτε 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

Βαρυτικοί φακοί: Καθώς συλλέγουμε όλο και περισσότερα δεδομένα για το σύμπαν, μερικές φορές πρέπει ακόμη και να επιμεληθούμε ή 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 διεγείρει πολλούς αστρονόμους είναι οι ισχυροί βαρυτικοί φακοί.

Αυτό συμβαίνει όταν δύο γαλαξίες ευθυγραμμίζονται κατά μήκος της γραμμής της όρασής μας 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 βελόνα στ’ άχυρα.

 Πρόκειται για μια αναζήτηση που θα γίνει δυσκολότερη καθώς συλλέγουμε όλο και περισσότερες εικόνες γαλαξιών.

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

Ο νικητής αυτού του challenge χρησιμοποίησε ένα μοντέλο που ονομάζεται συνελικτικό νευρωνικό δίκτυο, το οποίο μαθαίνει να αναλύει τις εικόνες χρησιμοποιώντας διαφορετικά φίλτρα, έως ότου μπορέσει να τις ταξινομήσει με βάση το εάν περιέχουν φακό ή όχι. Αυτά τα μοντέλα αποδείχθηκαν ακόμη καλύτερα από ό,τι οι άνθρωποι, βρίσκοντας λεπτές διαφορές στις εικόνες που εμείς οι άνθρωποι δυσκολεύουμε να παρατηρήσουμε.

Πηγή: Pohackontas, freepressjournal.in

Δεν υπάρχουν σχόλια :