کلود ساینس آنتروپیک اولین نقشه کامل فرابنفش کل آسمان را تولید کرده است، نقطه عطفی که توسط بریس منارد، اخترفیزیکدان جانز هاپکینز، که پروژه را رهبری کرده و جزئیات فرآیند را در وب سایت آنتروپیک شرح داده است. این تلاش که توسط The Decoder گزارش شده است، نشان می‌دهد که چگونه عوامل هوش مصنوعی هماهنگ می‌توانند کار داده‌های خسته‌کننده‌ای را جذب کنند که در غیر این صورت تیم‌های تحقیقاتی هرگز به آن دسترسی نداشتند.

این نقشه شکاف‌های چند دهه‌ای را که مأموریت‌های فضایی قبلی بر جای گذاشته‌اند، پر می‌کند و مشاهدات بایگانی را با بازسازی‌های مدل‌سازی شده از مناطقی که هیچ تلسکوپی به طور کامل پوشش نداده است، ترکیب می‌کند. این یکی از ملموس‌ترین نمونه‌های حرکت هوش مصنوعی از چت‌بات‌ها و دستیاران کدنویسی به ماشین‌های روزانه تحقیقات علمی است - موضوعی که در بسیاری از [پوشش‌های تحقیقاتی هوش مصنوعی] امروز (https://aibuzzwire.news) اجرا می‌شود.

چرا یک نقشه کامل UV هرگز وجود نداشت

نور فرابنفش از روی زمین نامرئی است. لایه اوزون آن را مسدود می کند، به این معنی که نجوم UV فقط از فضا قابل انجام است. ماموریت GALEX ناسا که از سال 2003 تا 2013 آسمان را با اشعه ماوراء بنفش بررسی کرد، توانست حدود دو سوم آسمان را پوشش دهد، اما از مناطق درخشان ستاره‌زایی که نور آنقدر شدید است که می‌تواند به آشکارسازها آسیب برساند یا مشاهدات را اشباع کند، نادیده گرفته شد.

تقریباً یک سوم از آسمان بدون پوشش UV باقی ماند - از جمله برخی از جالب ترین محله ها از نظر علمی، متراکم از ستاره های جوان و تشکیل ستاره های فعال. برای بیش از یک دهه، اخترشناسانی که با داده‌های فرابنفش کار می‌کردند، مجبور بودند با این حفره‌ها کنار بیایند، نماهای جزئی را کنار هم بچسبانند یا به سادگی از مناطق گمشده در تحلیل‌های خود اجتناب کنند.

چگونه عوامل هوش مصنوعی نقشه را جمع آوری کردند

کلود ساینس تیم هایی از عوامل هوش مصنوعی را که داده ها را از چندین ماموریت فضایی دانلود کرده، کالیبره کرده و در یک نقشه منسجم ادغام کرده اند، هماهنگ می کند. در جاهایی که مشاهدات وجود نداشت، سیستم از نقاشی درونی استفاده می‌کرد - تکنیکی که در آن مدل از داده‌های موجود برای بازسازی شکاف‌ها یاد می‌گیرد.

نتایج در برابر اندازه‌گیری‌های واقعی تأیید شد: طبق توصیف منارد از پروژه، در آزمایش‌ها، پیش‌بینی‌های مدل به طور متوسط ​​حدود 10 درصد از مقادیر واقعی انحراف داشتند. این میزان خطا مهم است - این تفاوت بین یک محصول علمی قابل استفاده و یک تصویر زیبا است - و نشان می‌دهد که بازسازی‌ها به اندازه کافی نزدیک هستند تا از کارهای اکتشافی پشتیبانی کنند، حتی اگر جایگزینی برای مشاهده مستقیم نباشند.

نور ماوراء بنفش غبار روشن شده توسط نور ستارگان را نشان می دهد، از جمله ساختارهایی مانند ابرهای اطراف ستاره های جوان و حلقه هایی که در اثر انفجارهای ستاره ای باقی مانده اند. با پوشش کامل آسمان، محققان می‌توانند آن ویژگی‌ها را در مناطقی که قبلاً نقاط کور بودند بررسی کنند.

رویکرد هماهنگی عامل به همان اندازه قابل توجه است. به جای یک مدل واحد که به سؤالات پاسخ دهد، سیستم پروژه را به مشاغل تجزیه کرد - مکان یابی بایگانی ماموریت، استخراج داده ها، بررسی کالیبراسیون، تراز کردن پیش بینی ها، ادغام بررسی های همپوشانی، شناسایی شکاف ها - و آنها را به عوامل تخصصی که در خط لوله کار می کردند اختصاص داد. دانشمندان علوم انسانی الزامات را تعیین کردند و خروجی را تأیید کردند. کارگزاران کار مونتاژی را انجام دادند که در غیر این صورت یک دهه دانشجوی فارغ التحصیل را مصرف می کرد.

یک ابزار آموزشی و یک الگو

منارد گفت که این نقشه به عنوان ماده آموزشی در نظر گرفته شده است و برای اولین بار به دانش آموزان و محققین دید کاملی از آسمان فرابنفش می دهد. اما پیامد بزرگتر ممکن است خود گردش کار باشد.

او گمان می‌کند که بسیاری از دانشمندان پروژه‌های مشابه را به تعویق می‌اندازند - تلاش‌های بزرگ و غیرمعمول برای یکپارچه‌سازی داده‌ها که هوش مصنوعی اکنون می‌تواند آن را ممکن کند. آرشیوهای ماموریت‌های فضایی گذشته مملو از داده‌هایی است که هرگز به طور کامل مورد بهره‌برداری قرار نگرفتند، نه به این دلیل که فاقد ارزش هستند، بلکه به این دلیل که تمیز کردن، کالیبره کردن و ادغام آن‌ها سال‌ها کار غرغروی یک تیم تحقیقاتی را به خود اختصاص می‌دهد. سیستم‌های مبتنی بر عامل مانند کلود ساینس این اقتصاد را تغییر می‌دهند: هماهنگی و مدیریت داده‌ها که زمانی یک حرفه را مصرف می‌کرد، می‌تواند در یک پروژه اتفاق بیفتد.

در منبع شکاف ها نیز کنایه ای آرام وجود دارد. GALEX درخشان‌ترین مناطق ستاره‌زایی را دقیقاً به این دلیل نادیده گرفت که در میان با ارزش‌ترین اهداف هستند – موتورهای شکل‌گیری ستاره‌های جدید که اخترشناسان بیشتر می‌خواهند در نور فرابنفش مطالعه کنند. ماموریتی که حول محور حفاظت از ابزار طراحی شده بود، جالب‌ترین محله‌ها را بدون نقشه رها کرد، و تنها اکنون، با بازسازی به کمک هوش مصنوعی، آن نقطه کور پر شده است.

هشدارها

مناطق رنگ آمیزی شده پیش بینی هستند، نه اندازه گیری. حدود یک سوم این نقشه وجود دارد زیرا مدلی بر اساس داده‌های اطراف و الگوهای آموخته‌شده از مناطق تحت پوشش استنباط می‌کند که آسمان UV چگونه باید باشد. میانگین 10 درصد انحراف یک رقم کل است. ساختارهای خاص - یک حلقه ضعیف در اطراف یک بقایای ستاره ای، لبه یک ابر غبار - می تواند کمتر از آمار کلی نقشه قابل اعتماد باشد.

این اخراج نیست. هر پروژه بازسازی در نجوم با همین مبادله روبرو است و پروژه Anthropic در مورد اینکه کدام مناطق استنباط شده است شفاف است. اما محققان با استناد به نقشه باید مناطق مشاهده شده را از بازسازی شده تشخیص دهند، به ویژه برای منابع ضعیف یا غیر معمول.

این پروژه همچنین نشان‌دهنده تلاش گسترده‌تر Anthropic برای قرار دادن مدل‌های خود در جریان‌های کاری علمی، از نقشه آسمان تا اسکن آسیب‌پذیری برای نرم‌افزار متن‌باز اعلام‌شده در این هفته است. برای جامعه نجوم، کار فوری ساده‌تر است: مجموعه داده‌ای که اکنون وجود نداشت، وجود دارد، و ابزاری که آن را ساخته است می‌تواند به مأموریت‌های بعدی اشاره کند.

---

از هوش مصنوعی جلوتر بمانید

آخرین اخبار، تحلیل ها و پیشرفت های هوش مصنوعی را دریافت کنید - همه در یک مکان.

بیشتر بخوانید اخبار هوش مصنوعی →