Claude Science dari Anthropic telah menghasilkan peta ultraviolet lengkap pertama dari seluruh langit, sebuah tonggak sejarah yang dijelaskan oleh astrofisikawan Johns Hopkins, Brice Ménard, yang memimpin proyek dan merinci prosesnya di situs web Anthropic. Upaya tersebut, yang dilaporkan oleh The Decoder, menunjukkan bagaimana agen AI yang terkoordinasi dapat menyerap pekerjaan data yang membosankan yang tidak akan pernah bisa dilakukan oleh tim peneliti.
Peta ini mengisi kekosongan puluhan tahun yang ditinggalkan oleh misi luar angkasa sebelumnya, menggabungkan pengamatan arsip dengan rekonstruksi model yang dihasilkan dari wilayah yang belum sepenuhnya dicakup oleh teleskop. Ini adalah salah satu contoh paling nyata dari peralihan AI dari chatbot dan asisten coding ke dalam mesin penelitian ilmiah sehari-hari — sebuah tema yang banyak dibahas dalam [liputan penelitian AI] saat ini(https://aibuzzwire.news).
Mengapa Peta UV Lengkap Tidak Pernah Ada
Sinar ultraviolet tidak terlihat dari permukaan tanah. Lapisan ozon menghalanginya, yang berarti astronomi UV hanya dapat dilakukan dari luar angkasa. Misi GALEX NASA, yang mensurvei langit dengan sinar ultraviolet dari tahun 2003 hingga 2013, berhasil mencakup sekitar dua pertiga langit tetapi melewatkan wilayah pembentuk bintang yang terang, di mana cahayanya sangat kuat sehingga dapat merusak detektor atau memenuhi pengamatan.
Hal ini menyebabkan sepertiga langit tidak memiliki cakupan UV – termasuk beberapa lingkungan yang paling menarik secara ilmiah, padat dengan bintang-bintang muda dan formasi bintang aktif. Selama lebih dari satu dekade, para astronom yang bekerja dengan data UV harus mengatasi lubang-lubang tersebut, menyatukan sebagian pandangan atau sekadar menghindari daerah yang hilang dalam analisis mereka.
Bagaimana Agen AI Merakit Peta
Claude Science mengoordinasikan tim agen AI yang mengunduh data dari berbagai misi luar angkasa, mengkalibrasinya, dan menggabungkannya ke dalam satu peta yang konsisten. Jika observasi tidak ada, sistem akan menggunakan inpainting, sebuah teknik di mana model belajar dari data yang ada untuk merekonstruksi kesenjangan tersebut.
Hasilnya divalidasi terhadap pengukuran nyata: dalam pengujian, prediksi model menyimpang dari nilai sebenarnya rata-rata sekitar 10 persen, menurut deskripsi proyek Ménard. Tingkat kesalahan itu penting – ini adalah perbedaan antara produk yang dapat digunakan secara ilmiah dan gambar yang indah – dan ini menunjukkan bahwa rekonstruksi tersebut cukup dekat untuk mendukung pekerjaan eksplorasi, meskipun rekonstruksi tersebut bukan pengganti observasi langsung.
Sinar UV mengungkap debu yang diterangi oleh cahaya bintang, termasuk struktur seperti awan di sekitar bintang muda dan cincin yang ditinggalkan oleh ledakan bintang. Dengan tertutupnya seluruh langit, para peneliti dapat mempelajari fitur-fitur tersebut di wilayah yang sebelumnya merupakan titik buta.
Pendekatan koordinasi agen sama pentingnya dengan hasilnya. Daripada hanya menjawab satu model saja, sistem ini menguraikan proyek menjadi beberapa tugas – menemukan arsip misi, mengambil data, memeriksa kalibrasi, menyelaraskan proyeksi, menggabungkan survei yang tumpang tindih, mengidentifikasi kesenjangan – dan menugaskannya ke agen khusus yang bekerja melalui jalur pipa. Ilmuwan manusia menetapkan persyaratan dan memvalidasi hasilnya; para agen melakukan pekerjaan perakitan yang seharusnya menghabiskan waktu satu dekade bagi mahasiswa pascasarjana.
Alat Pengajaran dan Templat
Ménard mengatakan peta tersebut dimaksudkan sebagai bahan pengajaran, memberikan siswa dan peneliti gambaran lengkap tentang langit ultraviolet untuk pertama kalinya. Namun implikasi yang lebih besar mungkin terletak pada alur kerja itu sendiri.
Dia menduga banyak ilmuwan telah menunda proyek serupa – upaya integrasi data yang besar dan tidak menarik yang kini dapat dilakukan oleh AI. Arsip dari misi luar angkasa di masa lalu penuh dengan data yang tidak pernah dieksploitasi sepenuhnya, bukan karena data tersebut kurang bernilai, namun karena pembersihan, kalibrasi, dan penggabungan data memerlukan kerja keras tim peneliti selama bertahun-tahun. Sistem berbasis agen seperti Claude Science mengubah perekonomian: koordinasi dan penanganan data yang pernah menghabiskan karier dapat terjadi dalam sebuah proyek.
Ada juga ironi dalam sumber kesenjangan tersebut. GALEX melewatkan wilayah pembentuk bintang paling terang justru karena wilayah tersebut merupakan salah satu target paling berharga – mesin pembentukan bintang baru yang paling ingin dipelajari para astronom dalam sinar ultraviolet. Sebuah misi yang dirancang seputar perlindungan instrumen akhirnya membuat lingkungan yang paling menarik tidak terpetakan, dan hanya sekarang, dengan rekonstruksi yang dibantu AI, titik buta tersebut dapat diatasi.
Peringatan
Daerah yang tidak dicat adalah prediksi, bukan pengukuran. Sekitar sepertiga dari peta ini ada karena model menyimpulkan seperti apa langit UV berdasarkan data dan pola sekitar yang dipelajari dari wilayah yang dicakup. Deviasi rata-rata 10 persen merupakan angka agregat; struktur tertentu – cincin samar di sekitar sisa bintang, tepi awan debu – mungkin kurang dapat diandalkan dibandingkan statistik keseluruhan peta.
Itu bukan pemecatan. Setiap proyek rekonstruksi di bidang astronomi menghadapi trade-off yang sama, dan proyek Anthropic bersifat transparan mengenai wilayah mana yang disimpulkan. Namun para peneliti yang mengutip peta tersebut perlu membedakan area yang diamati dan area yang direkonstruksi, terutama untuk sumber yang redup atau tidak biasa.
Proyek ini juga menandakan dorongan Anthropic yang lebih luas untuk memposisikan modelnya dalam alur kerja ilmiah, mulai dari peta langit hingga pemindaian kerentanan untuk perangkat lunak sumber terbuka yang diumumkan minggu ini. Bagi komunitas astronomi, kesimpulan langsungnya lebih sederhana: kumpulan data yang sebelumnya tidak ada kini ada, dan peralatan yang membangunnya dapat diarahkan ke misi lain berikutnya.
---
Tetap Terdepan dalam AIDapatkan berita, analisis, dan terobosan AI terkini — semuanya di satu tempat.
Baca berita AI selengkapnya →
