Anthropic の Claude Science は、全天の初の完全な紫外線マップを作成しました。これは、ジョンズ・ホプキンス大学の天体物理学者、Brice Ménard によって画期的な出来事であると説明されました。彼はプロジェクトを主導し、Anthropic の Web サイトでプロセスの詳細を説明しました。 The Decoder が報じたこの取り組みは、調整された AI エージェントが、他の方法では研究チームが決して行うことのできない退屈なデータ作業をどのように吸収できるかを示しています。
この地図は、アーカイブ観測と、望遠鏡が完全にカバーできなかった領域のモデル生成による再構成を組み合わせて、初期の宇宙ミッションで残された数十年にわたる空白を埋めるものです。これは、AI がチャットボットやコーディング アシスタントから科学研究の日常的な仕組みに移行する、これまでで最も具体的な例の 1 つです。これは、今日の AI 研究報道 の多くを貫いているテーマです。
完全な UV マップが存在しなかった理由
紫外線は地上からは見えません。オゾン層がそれをブロックするため、紫外線天文学は宇宙からのみ行うことができます。 2003年から2013年にかけて紫外線で空を調査したNASAのGALEXミッションは、空の約3分の2をカバーすることに成功したが、光が非常に強いため検出器にダメージを与えたり、観測を飽和させたりする可能性がある明るい星形成領域を飛ばした。
その結果、空の約 3 分の 1 が紫外線の影響を受けなくなりました。その中には、若い星が密集し、活発な星の形成が行われている、最も科学的に興味深い地域も含まれています。 10 年以上にわたり、UV データを扱う天文学者は、部分的なビューをつなぎ合わせたり、解析で欠落している領域を単純に回避したりして、これらの穴に対処する必要がありました。
AI エージェントがどのようにマップを組み立てたか
Claude Science は、複数の宇宙ミッションからデータをダウンロードし、それを調整して単一の一貫したマップに統合する AI エージェントのチームを調整します。観測値が欠落している場合、システムは修復 (モデルが既存のデータから学習してギャップを再構築する手法) を使用しました。
結果は実際の測定値に対して検証されました。メナール氏のプロジェクトの説明によれば、テストでは、モデルの予測は実際の値から平均して約 10% 外れていました。このエラー率は重要であり、それは科学的に使用可能な製品と美しい画像との違いであり、たとえ直接観察に代わるものではないとしても、再構成が探査研究をサポートするのに十分に近いことを示唆しています。
紫外線を当てると、若い星の周囲の雲や星の爆発で残されたリングなどの構造を含む、星の光に照らされた塵が明らかになります。空全体が覆われるようになったことで、研究者はこれまで死角だった領域の特徴を研究できるようになりました。
エージェントとの調整アプローチは、結果と同様に注目に値します。単一のモデルが質問に答えるのではなく、システムはプロジェクトをジョブに分解し、ミッション アーカイブの検索、データの取得、キャリブレーションのチェック、投影の調整、重複する調査のマージ、ギャップの特定を行い、パイプラインを介して作業する専門のエージェントにジョブを割り当てました。人間の科学者が要件を設定し、結果を検証しました。代理人たちは、さもなければ大学院生の10年を費やすであろう組み立て作業を行った。
教育ツールとテンプレート
メナール氏は、この地図は教材としての役割を果たし、学生や研究者に紫外線空の全体像を初めて提供することを目的としていると述べた。しかし、より大きな影響はワークフロー自体にあるかもしれません。
同氏は、多くの科学者が同様のプロジェクト、つまりAIによって可能になる大規模で地味なデータ統合の取り組みを先延ばしにしてきたのではないかと疑っている。過去の宇宙ミッションからのアーカイブには、これまで十分に活用されなかったデータが満載されています。その理由は、データに価値がないからではなく、データのクリーニング、調整、結合には研究チームが何年もかかる単調な作業が必要だからです。 Claude Science のようなエージェントベースのシステムは、その経済性を変えます。かつてはキャリアを消費していた調整とデータ処理がプロジェクト内で発生する可能性があります。
ギャップの原因には静かな皮肉もあります。 GALEX が最も明るい星形成領域をスキップしたのは、まさにその領域が最も価値のあるターゲット、つまり天文学者が紫外線で最も研究したい新しい星形成のエンジンの 1 つであるためです。機器の保護を中心に設計されたミッションでは、最も興味深い地域がマッピングされていないままになっていましたが、AI 支援による再構成によって、その盲点が埋められました。
注意事項
ペイントされた領域は予測であり、測定ではありません。このマップの約 3 分の 1 は、モデルが周囲のデータとカバーされた領域から学習したパターンに基づいて UV 空がどのように見えるかを推測したために存在します。 10% の平均偏差は集計値です。特定の構造（星の残骸の周囲のかすかな輪、塵雲の端）は、地図全体の統計が示唆するよりも信頼性が低い可能性があります。
それは解雇ではありません。天文学におけるすべての復元プロジェクトは同じトレードオフに直面しており、Anthropic プロジェクトではどの領域が推定されたのかが透明です。しかし、この地図を引用する研究者は、特に微光源や異常な光源については、観測された領域と復元された領域を区別する必要がある。
このプロジェクトはまた、天空図から今週発表されたオープンソース ソフトウェアの脆弱性スキャンに至るまで、Anthropic が自社のモデルを科学ワークフロー内に配置するという幅広い取り組みを示している。天文学コミュニティにとって、すぐに得られることはもっと簡単です。存在しなかったデータセットが存在し、それを構築したツールを次に他のミッションに向けることができます。
---
AI の先を行く最新の AI ニュース、分析、画期的な情報をすべて 1 か所で入手できます。
AI ニュースをもっと読む→
