تماشای آسمان با کامپیوتر؛

یادگیری کامپیوتری چه چیزی در مورد کیهان به ما می‌آموزد؟!

اگر از خارج از شهر به تماشای آسمان بنشینید، شاهد ماه و ستارگان درخشانی خواهید بود؛ اگر خوش‌شانس باشید می‌توانید نزدیک‌ترین همسایه راه‌شیری، کهکشان آندرومدا، را با چشم غیرمسلح ببینید. اما این تنها بخش بسیار کوچکی از چیزی است که در این گیتی پهناور وجود دارد. با راه‌اندازی دوربین LSST در رصدخانه ملی ورا روبین در سال 2020 شاهد تصاویری هیجان‌انگیز از 37 میلیارد کهکشان و ستاره در طول یک دهه خواهیم بود.

داده‌های این تلسکوپ عظیم در بازه ده ساله بسیار به کار تحقیقاتی ستاره‌شناسان کمک خواهد کرد. این تلسکوپ 2000 تصویر از نقاط مختلف آسمان نیمکره جنوبی زمین ثبت می‌کند.

میزان و پیچیدگی داده‌های این تلسکوپ فراتر از تمام داده‌هایی که هم‌اکنون در اختیار داریم، خواهد بود. هدف دانشمندان از ساخت دوربین LSST تنها ثبت تصاویر زیبا نمی‌باشد بلکه آن‌ها در تلاش برای مشخص نمودن، دسته‌بندی کردن و بررسی کردن ساختارهای کیهانی می‌باشد. دانشمندان برای شناخت دقیق انرژی تاریک و حل نمودن سایر اسرار مرموز کیهان به داده‌های دقیقی از سوپرنوا‌ها و کهکشان‌ها نیاز دارند؛ حتی ممکن است با استفاده از این داده‌ها نمونه جدیدی از اجرام را شناسایی کنند.

فردی که در یک زمینه جدید فعالیت خود را آغاز می‌کند، می‌تواند از سایر افراد متخصص و باتجربه در این زمینه کمک بگیرد اما دانشمندانی که با داده‌های عجیبی از بخشی از کیهان رو به رو می‌شوند هیچ راهنمایی ندارند و خودشان باید تجربه کسب کنند. در واقع هنگامی که دانشمندان به جرم جدیدی رو به رو می‌شوند برای شناسایی آن از اجرامی که پیش از آن دسته‌بندی شده‌اند استفاده می‌کنند. اداره علوم DOE مدل‌های کامپیوتری طراحی کرده که با استفاده از آن‌ها می‌توان تحت عنوان یادگیری ماشینی، داده‌های دوربین LSST را پردازش نمود.

برنامه‌های کامپیوتری که آموزش می‌دهند:

متخصصان نیاز به پردازش سریع داده‌ها دارند؛ آن‌ها باید بدانند که دوربین LSST دقیقا همان نقطه مورد نظر از آسمان را رصد کرده است. بدین ترتیب می‌توانند تغییرات نقاط مختلف آسمان را به درستی درک کنند.

ستاره‌شناسان همچنین به ترکیب کردن چندین تصویر برای تماشای کوچک‌ترین ستارگان یا کهکشان‌های کیهان نیاز دارند.

برنامه‌های کامپیوتری نه تنها از پس این نمونه‌ چالش‌ها برمی‌آیند بلکه به مدیریت حجم زیادی از داده‌ها نیز کمک می‌کنند. اینگونه برنامه‌ها هرچه داده بیشتری را آنالیز کنند، دقت و صحت کارشان افزایش می‌یابد. به عقیده اغلب دانشمندان یادگیری ماشینی مطمئن‌ترین راه برای دسته‌بندی محاسبات فوتومتریک می‌باشد.

اما پیش از آنکه یک برنامه کامپیوتری قادر به آنالیز داده باشد نیاز به آموزش دارد. این آموزش به دو صورت “نظارتی” و “غیرنظارتی” می‌باشد. در روش غیرنظارتی برنامه همانند شخصی که به تنهایی یادگیری ستارگان آسمان را آغاز کرده می‌باشد؛ در این روش برنامه قادر به ترکیب کردن تصاویر بوده اما نمی‌تواند بدون کمک راهنما اجرام را دسته‌بندی کند.

در روش نظارتی، افراد داده‌های مشخصی از دسته‌ای از اجرام در اختیار برنامه قرار می‌دهند. به مرور زمان و با انجام فعالیت‌های بیشتر، برنامه رابطه میان رصد و نام‌گذاری را می‌آموزد.

گاهی اوقات دانشمندان به برنامه‌ها می‌آموزند که اجرام را براساس درخشندگی، شکل و یا رنگ دسته‌بندی کنند‌.

دقت و صحت روش یادگیری نظارتی به تنظیمات اولیه برنامه بستگی دارد.

برخی از اجرام کیهان مدت زمان زیادی قابل رویت نمی‌باشند؛ برخی اجرام ناپایدار مانند سوپرنوا‌ها طی بازه زمانی کوتاهی بسیار درخشان‌ شده و پس از آن از درخششان کاسته می‌شود. درخشش اجرام متغییر نیز طی بازه زمانی مشخصی تغییر می‌کند. دانشمندان از این گونه اجرام که اصطلاحا “شمع‌های استاندارد” نامیده می‌شوند، برای تعیین مسافت اجرام مختلف تا زمین استفاده می‌شود‌. این اجرام در آشکارسازی اسرار مربوط به وسعت و تاریخچه کیهان نقش مهمی ایفا می‌کنند.

اگر تعداد کافی کهکشان را رصد کنید قطعا شاهد یک سوپرنوا خواهید بود. برای اینکه بفهمید از این سوپرنوا می‌توانید به عنوان یک شمع استاندارد استفاده کنید یا خیر باید ابتدا نوع آن را مشخص کنید؛ سوپرنواهای نوع Ia نمونه‌های خوبی برای شمع‌های استاندارد می‌باشند. یک برنامه‌ کامپیوتری مناسب می‌تواند سوپرنوا را در تصویر مشخص کند.

تیمی از پژوهشگران برنامه‌ای را طراحی کرده‌اند که سوپرنواها را براساس رنگشان دسته‌بندی می‌کند. یک برنامه در گذشته برای دسته‌بندی این اجرام، ابتدا با توجه به یک الگوریتم آن‌ها را با مدل سوپرنوا نوع Ia مقایسه کرده و سپس دسته‌بندی می‌کند. در این روش احتمال خطا بسیار بالا بود. پژوهشگران در این برنامه جدید 17 ویژگی مربوط به منحنی نوری سوپرنواها را مشخص کرده‌اند. با این روش دقت دسته‌بندی‌ آن‌ها بسیار بالا رفته است.

یکی دیگر

از مزیت‌های برنامه‌های کامپیوتری تخمین مسافت اجرام کیهانی مختلف تا زمین می‌باشد. پیش از این دانشمندان برای تخمین فاصله اجرام از داده‌های تلسکوپ‌های طیف‌نگاری استفاده می‌کردند. دوربین LSST قادر به یافتن 1000 جرم ناپایدار در یک شب می‌باشد.

از اجرام دیگری نیز مانند ستارگان متغییر می‌توان به عنوان شمع‌های استاندارد استفاده کرد؛ اگرچه ستارگان متغییر قیفاووسی کم‌یاب می‌باشند اما نمونه بسیار خوبی از شمع‌های استاندارد می‌باشند.

انتخاب در سطح کهکشانی

برای تعیین فاصله یک سوپرنوا بهتر است که ابتدا فاصله کهکشان میزبان آن را مشخص کرد. در گذشته انتخاب کهکشان مناسب را ستاره‌شناسان انجام می‌دادند اما دوربین LSST می‌تواند به سادگی تمام داده‌های مربوطه را گردآوری و در اختیار آنان قرار بدهد.

تیمی از پژوهشگران طی یک پروژه توانستند با استفاده از یک الگوریتم ۹۰ تا ۹۲ درصد کهکشان‌های میزبان سوپرنواها را به درستی مشخص کنند. برای این که دقت کار بالاتر برود یک برنامه به آن‌ها کمک کرد که هفت موردی که باعث خطا می‌شد را شناسایی و حذف کرد. بدزن ترتیب دقت کار بالا رفت و کار ستاره‌شناسان را آسان‌تر کرده است.‌

با هدف افزایش قدرت اکتشاف یادگیری ماشینی، دو تیم علمی دوربین LSST یک راه بی‌نظیر یافتند: آن‌ها یک مسابقه طراحی کردند!

افراد متخصصی که سررشته‌ای در ستاره‌شناسی ندارند می‌توانند از وبسایتی که داده‌هایی برای دانشمندان در آن قرار می‌گیرد استفاده کنند و یادگیری ماشینی را توسعه دهند.

آن‌ها از برنامه خواستند که اجرامی که اخترفیزیکدانان تاکنون ندیده‌اند را مشخص کنند. ۳ میلیون جرم باید به ۱۵ گروه تقسیم می‌شدند؛ آخرین گروه اجرامی بودند که تاکنون دیده نشده‌اند.

بیش از ۱۳۰۰ نفر در ۱۰۰۰ تیم در این چالش که دسامبر ۲۰۱۸ به اتمام رسید، شرکت کردند. متخصصان LSST در حال ادغام داده‌ها می‌باشند تا به بهترین دسته‌بندی برسند.

اگرچه یادگیری ماشینی و برنامه‌های کامپیوتری نمی‌توانند به ستارگان و اجرام آسمانی بنگرند و غرق در شگفتی شوند اما دریچه‌های عمیقی از اسرار کیهان پر رمز و راز برای ما می‌گشایند.

ترجمه: سرکار خانم مریم هادیزاده، دانشجوی آموزش زبان انگلیسی

منبع:

Stargazing with computers: What machine learning can teach us about the cosmos

https://phys.org/news/2020-02-stargazing-machine-cosmos.html