الشبكات العصبية المستخدمة للمساعدة في بناء خريطة ثلاثية الأبعاد للكون

علماء فلك من قسم علم الفلك بجامعة هاواي مؤخرًا استفادوا من الذكاء الاصطناعي الخوارزميات لرسم خريطة ثلاثية الأبعاد ضخمة لأكثر من 3 مليارات من الأجرام السماوية. استخدم فريق علم الفلك البيانات الطيفية وخوارزميات تصنيف الشبكة العصبية لإنجاز المهمة.

في عام 2016 ، أصدر علماء الفلك من جامعة هاواي في معهد مانوا (UHM) لعلم الفلك للجمهور مجموعة بيانات ضخمة تحتوي على بيانات رصد لأكثر من 3 مليارات من النجوم والمجرات والأجرام السماوية الأخرى ، والتي تم جمعها على مدار 4 سنوات من المراقبة حول ثلاثة: أرباع سماء الليل. أطلق على المشروع اسم مشروع Pan-STARRS وبلغ حجم مجموعة البيانات التي أنتجها حوالي 2 بيتابايت (مليوني غيغابايت).

كما أوضح هانز والتر ريكس ، مدير قسم المجرات وعلم الكونيات في معاهد ماكس بلانك لعلم الفلك وفقًا لموقع Phys.org:

"قامت Pan-STARRS1 بتعيين مجرتنا الرئيسية ، درب التبانة ، إلى مستوى من التفاصيل لم يتحقق من قبل. يوفر المسح ، لأول مرة ، نظرة عميقة وعالمية لجزء كبير من سطح قرص ودرب التبانة ... سمح له الجمع الفريد من عمق التصوير والمساحة والألوان باكتشاف غالبية الكوازارات المعروفة الأبعد: هذه هي أقدم الأمثلة في عالمنا على أن الثقوب السوداء العملاقة قد نمت في مراكز المجرات ".

كان أحد أهداف إصدار مجموعة البيانات هو أنه سيتم استخدامها لبناء خريطة للسماء التي يمكن ملاحظتها، وتصنيف نقاط الضوء العديدة التي تمت ملاحظتها في مجموعة البيانات. استخدم الباحثون المشاركون في مشروع Pan-STARRS مجموعة البيانات لتدريب خوارزميات التعلم الآلي التي يمكنهم استخدامها لإنشاء الخريطة.

يعمل باحثو جامعة هاواي مع تلسكوب PS1 ، الموجود في جزيرة هاواي الكبيرة. يمكن لجهاز PS1 مسح ما يقرب من 75٪ من السماء المرصودة. التلسكوب هو أكبر مسح ضوئي عميق متعدد الألوان في العالم ، وأراد الباحثون الاستفادة من هذه القوة لبناء خريطة سكايمب معقدة. تضمن ذلك تدريب أجهزة الكمبيوتر الخاصة بـ PS1 على تصنيف الأشياء ، وتمييز نوع واحد من الأجرام السماوية عن نوع آخر. تحتوي مجموعة البيانات التي استخدموها لتدريب الكمبيوتر على ملايين القياسات التي تتميز بميزات مثل الحجم واللون.

كانت خوارزميات الذكاء الاصطناعي المستخدمة عبارة عن شبكات عصبية تلقائية عادية جنبًا إلى جنب مع طرق التحسين التي سمحت للشبكات بمعرفة العلاقات المعقدة بين ملايين نقاط البيانات. أوضح روبرت بيك ، باحث ما بعد الدكتوراة السابق في علم الكونيات في معهد UHM لعلم الفلك ، أن خوارزميات التحسين الحديثة قد تم استخدامها لتدريب الكمبيوتر على ما يقرب من 4 ملايين جرم سماوي وصفتها مجموعة البيانات. كما ذكرت TechExplorist ، كان على فريق البحث أيضًا تصحيح تداخل الغبار داخل مجرة ​​درب التبانة. استخدم فريق البحث طريقة أخذ عينات مونت كارلو لتقدير عدم اليقين الناتج عن الانزياح الأحمر الضوئي (تقدير لسرعة جسم ما) ثم تدريب نموذج التعلم الآلي على البيانات الطيفية.

بعد تدريب النموذج ، تم فحص أدائه في مجموعة بيانات التحقق من الصحة. نجحت الشبكة في تحديد حوالي 96.6٪ من الكوازارات ، و 97.8٪ من النجوم ، و 98.1٪ من المجرات. بالإضافة إلى ذلك ، تنبأ النموذج بالمسافة إلى المجرات وعندما تم التحقق من التنبؤات كانت متوقفة بنسبة 3٪ تقريبًا.

كانت النتيجة النهائية لتدريب واستخدام الذكاء الاصطناعي أكبر كتالوج ثلاثي الأبعاد للنجوم والكوازارات والمجرات في العالم. أوضح المؤلف المشارك في الدراسة كينيث تشامبرز ، كما نقل عن جزمودو، أن النماذج المستخدمة لإنشاء الخريطة يجب أن تكون قابلة للاستخدام مرة أخرى حيث يتم جمع المزيد والمزيد من البيانات ، وتحسين الخريطة بشكل أكبر وتعزيز فهمنا لنظامنا الشمسي والكون. سيتمكن العلماء من استخدام الخريطة لاكتساب نظرة ثاقبة لشكل الكون وتحديد أين فشل نموذجنا الكوني في التوافق مع الإسقاطات الجديدة.