شبكات عصبونية تستخدم لمساعدة بناء خريطة ثلاثية الأبعاد للكون

استخدم علماء الفلك من قسم الفلك بجامعة هاواي في الآونة الأخيرة خوارزميات الذكاء الاصطناعي لإنشاء خريطة ثلاثية الأبعاد ضخمة لما يزيد عن 3 مليارات جرم سماوي. استخدم فريق علم الفلك بيانات طيفية و خوارزميات تصنيف الشبكات العصبونية لتحقيق المهمة.

في عام 2016 ، أصدر علماء الفلك من جامعة هاواي في مانوا (UHM) معهد الفلك مجموعة بيانات ضخمة تحتوي على بيانات观察ية لما يزيد عن 3 مليارات نجم و مجرة و أجرام سماوية أخرى ، تم جمعها على مدار 4 سنوات من المراقبة حول ثلاثة أرباع السماء الليلية. كان المشروع يسمى مشروع Pan-STARRS والdataset التي أنتجها كان حجمها تقريبا 2 بيتابايت (مليوني جيجابايت).

كماexplained هانس-والتر ريكس ، مدير قسم المجرات و الكونيات في معهد ماكس بلانك للفلك وفقا لموقع Phys.org :

“Pan-STARRS1 خريطة مجرتنا الأم ، مجرة درب التبانة ، إلى مستوى من التفاصيل لم يسبق له مثيل من قبل. يوفر المسح نظرة عميقة و عالمية لجزء كبير من مستوى و قرص مجرة درب التبانة … و يسمح بمجموعة فريدة من العمق و المساحة و الألوان لاكتشاف معظم الكوازارات المعروفة البعيدة : هذه هي الأمثلة الأولى في الكون التي نمت فيها الثقوب السوداء العملاقة في مراكز المجرات”.

كان أحد أهداف إصدار Dataset هو أنه سوف يتم استخدامه لإنشاء خريطة للسماء المرئية ، و تصنيف النقاط الضوئية العديدة التي تم观察ها في Dataset. استخدم الباحثون المشاركون في مشروع Pan-STARRS Dataset لتدريب خوارزميات التعلم الآلي التي يمكنهم استخدامها لإنشاء الخريطة.

يعمل باحثو جامعة هاواي مع تلسكوب PS1 ، الواقع في جزيرة هاواي الكبيرة. يمكن لتلسكوب PS1 مسح حوالي 75٪ من السماء المرئية. تلسكوب PS1 هو أكبر مسح ضوئي عميق متعدد الألوان في العالم ، و أراد الباحثون استغلال هذه القوة لإنشاء خريطة سماوية متقدمة. و ذلك يتضمن تدريب أجهزة الكمبيوتر لتلسكوب PS1 على تصنيف الأجسام ، و تمييز نوع من الأجسام السماوية عن نوع آخر. Dataset الذي استخدموه لتدريب الكمبيوتر احتوى على ملايين القياسات ، و تميزت بالخصائص مثل الحجم و اللون.

كانت الخوارزميات المستخدمة شبكات عصبونية عادية متقدمة مع أساليب تحسين سمحت للشبكات بتعلم العلاقات المعقدة بين ملايين النقاط البيانية. أشار روبرت بيك ، باحث ما بعد الدكتوراه السابق في الكونيات في معهد الفلك بجامعة هاواي ، إلى أن خوارزميات التحسين الحالية المستخدمة لتدريب الكمبيوتر على حوالي 4 ملايين جرم سماوي موصوفة بواسطة Dataset. كما ذكرت TechExplorist ، كان على فريق البحث أيضا تصحيح التداخل الناجم عن الغبار داخل مجرة درب التبانة. استخدم فريق البحث طريقة العينة مونت كارلو لتقدير عدم اليقين الناجم عن الزحف الضوئي الفوتومتري (تقدير سرعة الجسم) و ثم تدريب نموذج التعلم الآلي على البيانات الطيفية.

بعد تدريب النموذج ، تم التحقق من أدائه على مجموعة بيانات التحقق. نجح النموذج في تحديد حوالي 96.6٪ من الكوازارات ، و 97.8٪ من النجوم ، و 98.1٪ من المجرات. بالإضافة إلى ذلك ، قام النموذج بتوقع المسافة إلى المجرات و عند التحقق من التنبؤات كانت فقط مخطئة بحوالي 3٪.

كان النتيجة النهائية لتدريب و استخدام الذكاء الاصطناعي أكبر كتالوج ثلاثي الأبعاد للنجوم و الكوازارات و المجرات في العالم. أشار كينيث تشامبرز ، أحد مؤلفي الدراسة ، كما نقلته Gizmodo ، إلى أن النماذج المستخدمة لإنشاء الخريطة يجب أن تكون قادرة على الاستخدام مرة أخرى مع جمع المزيد من البيانات ، مما يحسن الخريطة بشكل أكبر و يعزز فهمنا للنظام الشمسي و الكون. سوف يكون العلماء قادرين على استخدام الخريطة لاكتساب رؤى حول شكل الكون و تحديد哪里 يفشل نموذجنا الكوني في مطابقة المشاريع الجديدة.