Hoe AI helpt bij het in kaart brengen van het universum

Kunstmatige intelligentie (AI) is een essentieel hulpmiddel geworden voor het begrijpen van de wereld. Nu het interesse in ruimteverkenning weer toeneemt, kan het hetzelfde doen voor andere werelden.

Ondanks decennia van onderzoek weten wetenschappers nog steeds niet veel over het universum buiten de atmosfeer van de aarde. Het in kaart brengen van planeten, sterren, melkwegen en hun bewegingen door de ruimte zal helpen, maar dit is historisch gezien een moeilijke taak geweest. AI maakt het gemakkelijker op verschillende manieren.

1. Identificatie van hemellichamen

Met zo veel van het universum zo ver weg, is het vaak moeilijk te zeggen wat wat is. Machinevisiesystemen kunnen helpen door tussen verschillende hemellichamen te onderscheiden wanneer dit met het blote oog onbetrouwbaar zou zijn.

Onderzoekers van de Universiteit van Hawaï ontwikkelden in 2020 een veelbelovend AI-model voor dit doel. Hun neurale netwerk kon melkwegen identificeren met 98,1% nauwkeurigheid en bereikte 97,8% en 96,6% nauwkeurigheid voor sterren en quasars, respectievelijk. Als gevolg hiervan konden ze een catalogus van 300 gigabyte van de hemellichamen over drie kwart van de hemel samenstellen.

Terwijl telescopen en satellieten meer glimpen van het universum bieden, kunnen classificatiealgoritmen zoals deze het gemakkelijker maken om de gegevens te interpreteren. Zodra wetenschappers weten waarnaar ze kijken, kunnen ze nauwkeurig verder onderzoek doen.

2. Meten van afstand

Het in kaart brengen van het universum is niet alleen een kwestie van weten wat er is. Onderzoekers moeten ook de afstanden tussen lichamen meten om de schaal en beweging over melkwegen of toekomstige satelliet- of ruimtevluchten te begrijpen. AI helpt ook in dit gebied.

Het berekenen van de afstand door hemelse activiteit te monitoren, vereist complexe wiskundige vergelijkingen – het soort dat AI goed kan. Een oplossing bereikte 76% nauwkeurigheid bij het bepalen van de grootte en de ruimte tussen moleculaire wolken door radiotelescoopgegevens te analyseren. Een andere meet hoe ver gammaflitsen verwijderd zijn door grondtelescoopfeeds te monitoren.

Dergelijke hulpmiddelen bieden meer betrouwbare schattingen van de schaal en snelheid van activiteit in het bredere universum. Naarmate modellen met meer gegevens verbeteren, kunnen ze veiligere ruimtevaart of beter inzicht in activiteiten zoals zonnevlammen of supernovae bieden.

3. Begrijpen van hemels in het verleden

AI helpt ook bij het in kaart brengen van het universum door historische hemelse bewegingen te analyseren. Hoewel er misschien geen gedetailleerde records van de hemel zijn over de hele geschiedenis, is een groot deel van de zichtbare hemel eigenlijk een weergave van het verleden vanwege de tijd die het licht nodig heeft om te reizen. Als gevolg hiervan kunnen wetenschappers AI gebruiken om modellen en trends in de ruimte te begrijpen.

Een studie bouwde een AI-model om een catalogus van meer dan 17.000 melkwegen in de buurt van de Melkweg te maken. Omdat het gebieden analyseerde die zo ver van de aarde waren, weerspiegelden de resulterende simulaties het verre verleden, waardoor nieuwe informatie over hoe hemellichamen zich over millennia hebben bewogen, werd onthuld. De resulterende kaart bevatte donkere materiestructuren die onderzoekers eerder niet kenden.

Dergelijke inzichten onthullen hoe melkwegen zich over de geschiedenis heen hebben verplaatst en elkaar hebben beïnvloed. Het begrijpen hiervan is essentieel om beter te begrijpen hoe het universum op een grotere schaal werkt.

4. Voorspellen van toekomstige verschuivingen

AI kan ook een glimp van de toekomst bieden terwijl het leert over het verleden. Predictive analytics-modellen hebben dit concept al toegepast op verkoopprognoses en het opsporen van ziekte-uitbraken, en ze kunnen hetzelfde doen voor grote hemelse gebeurtenissen.

De AI-oplossing die historische bewegingen van melkwegen simuleerde, onthulde dat de Melkweg en de Andromeda-melkweg naar elkaar toe bewegen. Met meer gegevens en een predictief model kunnen wetenschappers mogelijk bepalen wanneer een mogelijke botsing in de verre toekomst kan plaatsvinden.

AI-gedreven voorspellingen zijn bijzonder nuttig op een kleinere schaal. Predictive analytics kunnen onderzoekers helpen om zonnevlammen of asteroïdebewegingen te voorspellen, zodat ze weten wanneer actie nodig is om schade of verstoring op aarde te voorkomen.

5. Maken van nauwkeurige planeetkaarten

Sommige AI-hulpmiddelen nemen een smallere benadering van het in kaart brengen van het universum. Terwijl het begrijpen van de sterren belangrijk is, kan het maken van kaarten van fysieke planeetoppervlakken in de nabije toekomst nuttiger zijn, vooral nu de ruimteverkenning weer op gang komt. NASA’s Mars Exploration-rovers gebruiken al AI om te navigeren, en soortgelijke technologieën kunnen gedetailleerde exoplaneetonderzoeken maken.

Het maken van een geologische kaart van een verre planeet betekent het combineren van een aanzienlijke hoeveelheid gegevens uit verschillende bronnen. Dat kan een uitdaging zijn, veel tijd in beslag nemen en veel ruimte voor fouten laten. AI kan de informatie compileren om een betrouwbare enkele bron van waarheid te vormen, sneller en met hogere nauwkeurigheid.

Machine learning kan trends en overeenkomsten in uitgebreide datasets vinden die mensen misschien over het hoofd zien. Als gevolg hiervan kan het mogelijk geologische structuren identificeren die wetenschappers anders zouden missen. Deze hulpmiddelen kunnen ook een verzameling van uiteenlopende gegevens omzetten in een enkele, bruikbare kaart om verdere verkenning te ondersteunen.

6. Versnellen van kaarttijden

Over alle toepassingen heen versnellen AI-kaarthulpmiddelen de tijd die nodig is om het universum te analyseren en te begrijpen. Dat is belangrijk omdat snellere ontdekkingen leiden tot versnelde innovatie en diepere onderzoek mogelijk maken, zelfs in tijdsgebrekkige omgevingen.

Een studie van onderzoekers in Japan benadrukt dit potentieel. Het team ontwikkelde een AI-simulator om melkwegen en donkere materieverdeling te modelleren. Het nam slechts één CPU-seconde op een laptop om de simulatie uit te voeren, terwijl het normaal gesproken een supercomputer uren zou kosten. Deze snelheid ging niet ten koste van de nauwkeurigheid.

Wanneer kaartprocessen minder tijd in beslag nemen, kunnen wetenschappers meer van dit soort processen uitvoeren. Als gevolg hiervan kan de astronomische gemeenschap meer inzicht krijgen zonder tijdrovende, dure projecten die moeilijker te financieren zijn.

7. Onderzoek toegankelijker maken

Op soortgelijke wijze maakt AI een dergelijk onderzoek haalbaar voor een grotere groep mensen. Naarmate tijdslijnen inkrimpen, doen de gerelateerde kosten dat ook. Deze optimalisaties betekenen dat kleinere bedrijven of minder gefinancierde onderzoekers deel kunnen nemen aan hetzelfde type onderzoek.

Conventionele astronomische onderzoeken kunnen miljarden dollars kosten per stuk – veel meer dan veel bedrijven of onderwijsinstellingen kunnen betalen. AI vermindert deze uitgaven op verschillende manieren. De meest voor de hand liggende is dat het de tijd die nodig is om dergelijk onderzoek uit te voeren, vermindert, maar de voordelen gaan verder.

Complexere machine learning-modellen kunnen aanvaardbare resultaten leveren met minder gegevens, waardoor de gerelateerde kosten dalen. Klaar-toegepaste algoritmen worden steeds vaker beschikbaar naarmate deze technologie groeit, waardoor de technologie-uitgaven en modeltrainingsijd nog verder worden verlaagd. Trends zoals deze zullen de kaart van het universum democratiseren, waardoor een grotere diversiteit aan onderzoeken ontstaat, wat innovatie bevordert.

AI ontsluit de geheimen van het universum

Wetenschappers moeten het universum in kaart brengen met meer detail voor de volgende golf van ruimteverkenning. AI kan de sleutel zijn tot dat onderneming.

AI heeft al indrukwekkende verbeteringen gedreven in een enorme hoeveelheid astronomisch onderzoek. Het zal alleen maar beter worden naarmate meer teams de technologie omarmen – ideale parameters zullen duidelijker worden en relevante gegevens zullen groeien. Machine learning kan de katalysator zijn voor de tweede ruimterace in deze trend.