Hvordan AI hjælper med at kortlægge universet

Kunstig intelligens (AI) er blevet et væsentligt værktøj til at forstå verden. Nu, hvor interessen for rumforskning igen tager til, kan det gøre det samme for andre verdener.

Trods årtiers forskning ved videnskabsmænd ikke meget om universet ud over Jordens atmosfære. At kortlægge planeter, stjerner, galakser og deres bevægelser gennem rummet vil hjælpe, men dette har historisk set været en udfordrende opgave. AI gør det lettere på flere måder.

1. Identificering af himmellegemer

Med så meget af universet så langt væk, kan det ofte være svært at afgøre, hvad der er hvad. Maskinvisionssystemer kan hjælpe med at skelne mellem forskellige himmellegemer, når det at gøre det med det blotte øje ville være utroværdigt.

Forskere ved University of Hawaii udviklede i 2020 en lovende AI-model til dette formål. Deres neurale netværk kunne identificere galakser med 98,1% nøjagtighed og opnåede 97,8% og 96,6% nøjagtighed for stjerner og kvasarer, respectively. Derved kunne de samle en 300-gigabyte-katalog over himmellegemerne på tre kvarter af himlen.

Da teleskoper og satellitter giver flere glimt af universet, kan klassificeringsalgoritmer som denne gøre det lettere at fortolke dataene. Når videnskabsmænd ved, hvad de ser på, kan de udføre yderligere forskning nøjagtigt.

2. Måling af afstand

At kortlægge universet er ikke kun en sag om at vide, hvad der er derude. Forskere må også måle afstande mellem legemer for at forstå skala og bevægelse på tværs af galakser eller planlægge fremtidige satellit- eller rumfartøjflugt. AI hjælper også i dette område.

At beregne afstand ved at overvåge himmelsk aktivitet kræver komplekse matematiske ligninger — den slags, som AI er dygtig til. En løsning opnåede 76% nøjagtighed i bestemmelse af størrelsen på og afstanden mellem molekylære skyer ved at analysere radioteleskopdata. En anden målte, hvor langt væk gammastråleudslettelse var ved at overvåge jordteleskopfodring.

Værktøjer som dette giver mere pålidelige skøn over skalaen og hastigheden af aktivitet i det bredere univers. Da modellerne forbedres med yderligere data, kan de informere om sikrere rumrejser eller give bedre indsigt i aktivitet som soludbrud eller supernovaer.

3. Forståelse af himlen i fortiden

AI hjælper også med at kortlægge universet ved at analysere historiske himmelske bevægelser. Selv om der måske ikke er detaljerede optegnelser over himlen gennem historien, er en stor del af den synlige himmel faktisk en repræsentation af fortiden på grund af den tid, det tager lys at rejse. Derfor kan videnskabsmænd bruge AI til at modellere og forstå tidligere tendenser i rummet.

En studie opbyggede en AI-model til at oprette en katalog over mere end 17.000 galakser nær Mælkevejen. Da den analyserede områder så langt væk fra Jorden, afspejlede de resulterende simulationer den fjerne fortid, og afslørede nye oplysninger om, hvordan himmelske legemer har bevæget sig over årtusinderne. Den resulterende kort indeholdt mørk materie-strukturer, som forskerne ikke kendte til før.

Sådanne indsigt afslører, hvordan galakser har skiftet og påvirket hinanden gennem historien. At forstå det er nøgle til en bedre forståelse af, hvordan universet fungerer på en større skala.

4. Forudsigelse af fremtidige ændringer

AI kan give glimt af fremtiden, da den lærer om fortiden. Forudsigelsesmodeller har allerede anvendt dette koncept til salgsprognoser og spredning af sygdomme, og de kunne gøre det samme for større himmelske begivenheder.

AI-løsningen, der simulerede historiske galaksebevægelser, afslørede, at Mælkevejen og Andromeda-galakserne bevæger sig mod hinanden. Med yderligere data og en forudsigelsesmodel kan videnskabsmænd måske være i stand til at bestemme, hvornår en potentiel kollision kan ske i den fjerne fremtid.

AI-drevne forudsigelser er særligt nyttige på en mindre skala. Forudsigelsesanalyse kan hjælpe forskere med at forudsige solstorme eller asteroidebevægelser for at vide, hvornår handling kan være nødvendig for at forhindre skader eller forstyrrelser på Jorden.

5. Oprettelse af nøjagtige planetkort

Nogle AI-værktøjer tager en smallere tilgang til at kortlægge universet. Selv om det at forstå stjernerne er vigtigt, kan oprettelse af kort over fysiske planets overflader være mere nyttigt i den nære fremtid, især da rumforskningen tager til. NASA’s Mars-eksplorations-rovere bruger allerede AI til at navigere, og lignende teknologier kunne oprette detaljerede eksoplanet-undersøgelser.

At oprette et geologisk kort over en fjern planet indebærer at kombinere en betydelig mængde data fra forskellige kilder. Det kan være udfordrende og tage lang tid og efterlade betydelig plads til fejl. AI kan samle informationen for at danne en pålidelig enkelt kilde til sandhed hurtigere og med højere nøjagtighed.

Maskinlæring kan finde tendenser og ligheder i store datasæt, som mennesker måske overseer. Derfor kan det måske identificere geologiske strukturer, som videnskabsmænd ellers ville overse. Disse værktøjer kunne også omdanne en pool af forskellige data til et enkelt, brugbart kort til at hjælpe med yderligere udforskning.

6. Fremme af kortlægnings-tidsrammer

På tværs af alle anvendelser strømliner AI-kortlægningsværktøjer den tid, det tager at analysere og forstå universet. Det er vigtigt, fordi hurtigere opdagelse fører til accelereret innovation og gør dybere forskning mulig, selv i tidsbegrænsede miljøer.

En studie fra forskere i Japan fremhæver dette potentiale. Holdet udviklede en AI-simulator til at modellere galakser og mørk materie-fordeling. Det tog kun en CPU-sekund på en bærbar computer til at køre simulationen, når det normalt ville tage en supercomputer dusinvis af timer. En sådan hastighed kom uden nogen nedgang i nøjagtighed.

Når kortlægningsprocesser tager mindre tid, kan videnskabsmænd udføre flere af dem. Derfor kan astronomi-samfundet få yderligere indsigt uden tidskrævende og dyre projekter, som kan være svære at sikre finansiering til.

7. Gøre forskning mere tilgængelig

Lignende gør AI sådan forskning mulig for en større gruppe mennesker. Da tidsrammerne forkortes, forkortes de relaterede omkostninger også. Disse optimeringer betyder, at mindre virksomheder eller mindre finansielt støttede forskere kan deltage i samme slags studie.

Konventionelle astronomi-undersøgelser kan koste milliarder af dollars hver — langt mere, end mange virksomheder eller uddannelsesinstitutioner kan betale. AI reducerer disse omkostninger på flere måder. Den mest åbenlyse er, at den reducerer den tid, det tager at udføre sådan en forskning, men dens fordele går videre.

Komplekse maskinlæringsmodeller kan levere acceptable resultater med mindre data, hvilket reducerer de relaterede omkostninger. Færdige algoritmer bliver mere almindelige, da denne teknologi vokser, hvilket yderligere reducerer teknologi-omkostninger og model-træningstid. Tendenser som disse vil demokratisere rum-kortlægning og føre til en større diversitet af studier, hvilket fremmer innovation.

AI åbner op for universets hemmeligheder

Videnskabsmænd må kortlægge universet med større detalje for, at den næste bølge af rumforskning kan tage til. AI kunne være nøglen til dette foretagende.

AI har allerede drevet imponerende forbedringer på tværs af en enorm mængde astronomisk forskning. Det vil kun blive bedre, da flere hold omfatter teknologien — ideelle parametre vil blive klarere, og relevant data vil vokse. Maskinlæring kunne være katalysatoren for den anden rumkapløb i denne trend.