अँथ्रोपिकच्या क्लॉड सायन्सने संपूर्ण आकाशाचा पहिला संपूर्ण अल्ट्राव्हायोलेट नकाशा तयार केला आहे, जो जॉन्स हॉपकिन्स खगोलभौतिकशास्त्रज्ञ ब्राईस मेनार्ड यांनी वर्णन केलेला एक मैलाचा दगड आहे, ज्यांनी या प्रकल्पाचे नेतृत्व केले आणि अँथ्रोपिकच्या वेबसाइटवर प्रक्रियेचे तपशीलवार वर्णन केले. द डीकोडरने नोंदवलेला हा प्रयत्न, हे दाखवते की AI एजंट किती कंटाळवाणा डेटा कार्य आत्मसात करू शकतात जे संशोधन कार्यसंघ अन्यथा कधीही करू शकणार नाहीत.

कोणत्याही दुर्बिणीने पूर्णपणे कव्हर केलेले नसलेल्या प्रदेशांच्या मॉडेल-व्युत्पन्न पुनर्रचनासह अभिलेखीय निरीक्षणे एकत्रित करून, पूर्वीच्या अंतराळ मोहिमांनी सोडलेली दशके-जुनी अंतरे नकाशात भरतो. चॅटबॉट्स आणि कोडिंग असिस्टंट्समधून वैज्ञानिक संशोधनाच्या दैनंदिन यंत्रसामग्रीमध्ये AI हलविण्याचे हे सर्वात ठोस उदाहरणांपैकी एक आहे — एक थीम जी आजच्या AI संशोधन कव्हरेज मध्ये चालते.

संपूर्ण UV नकाशा अस्तित्वात का नाही

अल्ट्राव्हायोलेट प्रकाश जमिनीवरून अदृश्य आहे. ओझोनचा थर त्याला ब्लॉक करतो, याचा अर्थ यूव्ही खगोलशास्त्र केवळ अवकाशातूनच करता येते. NASA च्या GALEX मोहिमेने, ज्याने 2003 ते 2013 पर्यंत अल्ट्राव्हायोलेटमध्ये आकाशाचे सर्वेक्षण केले होते, त्यांनी सुमारे दोन तृतीयांश आकाश कव्हर केले परंतु तेजस्वी तारा बनविणारे प्रदेश वगळले, जेथे प्रकाश इतका तीव्र आहे की तो शोधकांना किंवा संतृप्त निरीक्षणांना हानी पोहोचवू शकतो.

यामुळे अंदाजे एक तृतीयांश आकाश यूव्ही कव्हरेजशिवाय सोडले - काही सर्वात वैज्ञानिकदृष्ट्या मनोरंजक परिसर, तरुण ताऱ्यांनी घनदाट आणि सक्रिय तारकीय निर्मितीसह. एका दशकाहून अधिक काळ, अतिनील डेटासह काम करणाऱ्या खगोलशास्त्रज्ञांना त्या छिद्रांचा सामना करावा लागला, आंशिक दृश्ये एकत्र जोडली गेली किंवा त्यांच्या विश्लेषणात गहाळ प्रदेश टाळले गेले.

एआय एजंटांनी नकाशा कसा एकत्र केला

क्लॉड सायन्स एआय एजंट्सच्या संघांना समन्वयित करते ज्यांनी एकाधिक अंतराळ मोहिमांमधून डेटा डाउनलोड केला, तो कॅलिब्रेट केला आणि तो एकाच सुसंगत नकाशामध्ये विलीन केला. जेथे निरीक्षणे गहाळ होती, तेथे प्रणालीने पेंटिंगचा वापर केला - एक तंत्र जेथे मॉडेल अंतरांची पुनर्रचना करण्यासाठी विद्यमान डेटामधून शिकते.

परिणाम वास्तविक मोजमापांच्या विरूद्ध प्रमाणित केले गेले: चाचण्यांमध्ये, मेनार्डच्या प्रकल्पाच्या वर्णनानुसार, मॉडेलचे अंदाज वास्तविक मूल्यांपासून सरासरी 10 टक्के विचलित झाले. तो त्रुटी दर महत्त्वाचा आहे - वैज्ञानिकदृष्ट्या वापरण्यायोग्य उत्पादन आणि एक सुंदर चित्र यांच्यातील फरक आहे - आणि हे सूचित करते की पुनर्रचना शोध कार्यास समर्थन देण्यासाठी पुरेशी जवळ आहे, जरी ते थेट निरीक्षणासाठी पर्याय नसले तरीही.

अतिनील प्रकाश तारकांच्या स्फोटांमुळे मागे राहिलेल्या तारकांच्या भोवतालच्या ढगांसारख्या रचना आणि वलयांसह ताऱ्यांच्या प्रकाशाने उजळलेली धूळ प्रकट करतो. आता पूर्ण आभाळ झाकलेले असल्याने, संशोधक त्या प्रदेशातील त्या वैशिष्ट्यांचा अभ्यास करू शकतात ज्यात पूर्वी अंध स्थान होते.

एजंट-समन्वय दृष्टिकोन परिणाम म्हणून लक्षणीय आहे. प्रश्नांची उत्तरे देणाऱ्या एकल मॉडेलऐवजी, प्रणालीने प्रकल्पाचे जॉबमध्ये विघटन केले — मिशन संग्रहण शोधा, डेटा खेचणे, कॅलिब्रेशन तपासणे, अंदाज संरेखित करणे, आच्छादित सर्वेक्षणे एकत्र करणे, अंतर ओळखणे — आणि त्यांना पाइपलाइनद्वारे काम करणाऱ्या विशेष एजंटना नियुक्त केले. मानवी शास्त्रज्ञांनी आवश्यकता सेट केल्या आणि आउटपुट प्रमाणित केले; एजंटांनी असेंब्लीचे काम केले की अन्यथा पदवीधर विद्यार्थ्याचे दशक संपले असते.

एक शिकवण्याचे साधन आणि एक साचा

मेनार्ड म्हणाले की, नकाशा अध्यापन सामग्री म्हणून काम करण्याचा हेतू आहे, ज्यामुळे विद्यार्थी आणि संशोधकांना प्रथमच अल्ट्राव्हायोलेट आकाशाचे संपूर्ण दृश्य मिळेल. पण वर्कफ्लोचाच मोठा परिणाम असू शकतो.

त्याला शंका आहे की अनेक शास्त्रज्ञ असेच प्रकल्प थांबवत आहेत - मोठे, अप्रतिम डेटा-एकीकरण प्रयत्न जे AI आता शक्य करू शकतात. भूतकाळातील अंतराळ मोहिमेतील संग्रहण डेटाने भरलेले आहेत ज्याचा कधीही पूर्णपणे उपयोग केला गेला नाही, त्याचे मूल्य नसल्यामुळे नव्हे तर ते साफ करणे, कॅलिब्रेट करणे आणि विलीन करणे यासाठी संशोधन कार्यसंघाला अनेक वर्षे लागतील. क्लॉड सायन्स सारख्या एजंट-आधारित प्रणाली अर्थशास्त्र बदलतात: समन्वय आणि डेटा हाताळणी ज्याने एकदा करियरचा वापर केला ते प्रकल्पामध्ये होऊ शकते.

अंतराच्या स्त्रोतामध्ये देखील एक शांत विडंबन आहे. GALEX ने सर्वात तेजस्वी तारा बनवणारे क्षेत्र अचूकपणे वगळले कारण ते सर्वात मौल्यवान लक्ष्यांपैकी आहेत - नवीन तारा निर्मितीचे इंजिन ज्याचा खगोलशास्त्रज्ञांना अतिनील प्रकाशात अभ्यास करायचा आहे. इन्स्ट्रुमेंट संरक्षणाभोवती डिझाइन केलेले एक मिशन त्याच्या सर्वात मनोरंजक अतिपरिचित क्षेत्रांना मॅप केलेले सोडून संपले आणि आता केवळ AI-सहाय्यित पुनर्बांधणीमुळे, ती अंध जागा भरली जात आहे.

चेतावणी

रंगवलेले प्रदेश हे अंदाज आहेत, मोजमाप नाहीत. या नकाशाचा एक तृतीयांश भाग अस्तित्त्वात आहे कारण एका मॉडेलने झाकलेल्या प्रदेशांमधून शिकलेल्या आसपासच्या डेटा आणि नमुन्यांच्या आधारे यूव्ही आकाश कसे दिसावे याचा अंदाज लावला आहे. 10 टक्के सरासरी विचलन ही एकूण आकृती आहे; विशिष्ट संरचना — तारकीय अवशेषांभोवती एक अस्पष्ट वलय, धुळीच्या ढगाचा किनारा — नकाशाच्या एकूण आकडेवारीनुसार सूचित केल्यापेक्षा कमी विश्वासार्ह असू शकतात.

ती डिसमिस नाही. खगोलशास्त्रातील प्रत्येक पुनर्बांधणी प्रकल्पाला समान व्यापार-बंदाचा सामना करावा लागतो आणि मानववंशीय प्रकल्प कोणत्या प्रदेशांचा अंदाज लावला गेला याबद्दल पारदर्शक आहे. परंतु नकाशाचा हवाला देणाऱ्या संशोधकांना पुनर्रचित क्षेत्रांपासून, विशेषत: अस्पष्ट किंवा असामान्य स्त्रोतांसाठी निरीक्षणे वेगळे करणे आवश्यक आहे.

या आठवड्यात घोषित केलेल्या ओपन-सोर्स सॉफ्टवेअरसाठी स्काय मॅपपासून असुरक्षा स्कॅनिंगपर्यंत, वैज्ञानिक वर्कफ्लोमध्ये त्याचे मॉडेल ठेवण्यासाठी अँथ्रोपिकच्या व्यापक पुशचाही हा प्रकल्प संकेत देतो. खगोलशास्त्र समुदायासाठी, तात्काळ टेकअवे सोपे आहे: आता अस्तित्वात नसलेला डेटासेट आहे आणि ते तयार केलेले टूलिंग पुढील इतर मोहिमांवर निर्देशित केले जाऊ शकते.

---

एआयच्या पुढे राहा

नवीनतम AI बातम्या, विश्लेषण आणि यश मिळवा — सर्व एकाच ठिकाणी.

अधिक AI बातम्या वाचा →