Claude Science z firmy Anthropic stworzył pierwszą kompletną mapę ultrafioletową całego nieba, co jest kamieniem milowym opisanym przez astrofizyka z Johns Hopkins, Brice’a Ménarda, który kierował projektem i szczegółowo opisał proces na stronie internetowej Anthropic. Wysiłki zgłoszone przez The Decoder pokazują, jak skoordynowani agenci sztucznej inteligencji mogą przejąć żmudną pracę związaną z danymi, do której zespoły badawcze w przeciwnym razie nigdy by się nie zabrały.
Mapa wypełnia luki pozostawione przez wcześniejsze misje kosmiczne sprzed kilkudziesięciu lat, łącząc obserwacje archiwalne z rekonstrukcjami generowanymi przez modele regionów, których żaden teleskop w pełni nie objął. Jest to jeden z najbardziej konkretnych przykładów przeniesienia sztucznej inteligencji z chatbotów i asystentów kodowania do codziennej machiny badań naukowych — temat ten przewija się przez większość dzisiejszych relacjonów badań nad sztuczną inteligencją.
Dlaczego kompletna mapa UV nigdy nie istniała
Światło ultrafioletowe jest niewidoczne z ziemi. Blokuje ją warstwa ozonowa, co oznacza, że astronomię UV można prowadzić wyłącznie z kosmosu. Misja NASA GALEX, która badała niebo w ultrafiolecie w latach 2003–2013, zdołała pokryć około dwóch trzecich nieba, pomijając jednak jasne obszary gwiazdotwórcze, gdzie światło jest tak intensywne, że może uszkodzić detektory lub nasycić obserwacje.
To pozostawiło mniej więcej jedną trzecią nieba bez pokrycia UV – w tym niektóre z najbardziej interesujących z naukowego punktu widzenia okolic, gęstych od młodych gwiazd i aktywnych formacji gwiazdowych. Przez ponad dekadę astronomowie pracujący z danymi UV musieli radzić sobie z tymi dziurami, łatając częściowe widoki lub po prostu unikając brakujących obszarów w swoich analizach.
Jak agenci AI złożyli mapę
Claude Science koordynuje zespoły agentów AI, które pobrały dane z wielu misji kosmicznych, skalibrowały je i połączyły w jedną spójną mapę. W przypadku braku obserwacji system zastosował malowanie — technikę, w której model uczy się na podstawie istniejących danych, aby zrekonstruować luki.
Wyniki zweryfikowano w porównaniu z rzeczywistymi pomiarami: w testach przewidywania modelu odbiegały od wartości rzeczywistych średnio o około 10 procent, zgodnie z opisem projektu sporządzonym przez Ménarda. Ten poziom błędu ma znaczenie — to różnica między produktem nadającym się do naukowego wykorzystania a ładnym obrazem — i sugeruje, że rekonstrukcje są wystarczająco dokładne, aby wesprzeć prace badawcze, nawet jeśli nie zastępują bezpośredniej obserwacji.
Światło UV ujawnia pył rozświetlony światłem gwiazd, w tym struktury takie jak chmury wokół młodych gwiazd i pierścienie pozostawione przez gwiezdne eksplozje. Mając już pokryte całe niebo, badacze mogą badać te cechy w obszarach, które wcześniej były martwymi punktami.
Rezultatem jest podejście oparte na koordynacji agentów. Zamiast pojedynczego modelu odpowiadającego na pytania, system rozłożył projekt na zadania — zlokalizował archiwa misji, pobrał dane, sprawdził kalibrację, dopasował prognozy, scalił nakładające się ankiety, zidentyfikował luki — i przypisał je wyspecjalizowanym agentom, którzy pracowali nad rurociągiem. Naukowcy-ludzi ustalili wymagania i zatwierdzili wyniki; agenci wykonali prace montażowe, które w przeciwnym razie pochłonęłyby dekadę absolwenta.
Narzędzie dydaktyczne i szablon
Ménard powiedział, że mapa ma służyć jako materiał dydaktyczny, dając studentom i badaczom po raz pierwszy pełny obraz ultrafioletowego nieba. Ale większym implikacją może być sam przepływ pracy.
Podejrzewa, że wielu naukowców odkładało podobne projekty – duże, niezbyt efektowne wysiłki w zakresie integracji danych, które sztuczna inteligencja może teraz umożliwić. Archiwa z poprzednich misji kosmicznych są pełne danych, które nigdy nie zostały w pełni wykorzystane, nie dlatego, że brakuje im wartości, ale dlatego, że ich czyszczenie, kalibracja i łączenie zajęłoby zespołowi badawczemu lata żmudnej pracy. Systemy oparte na agentach, takie jak Claude Science, zmieniają tę ekonomię: koordynacja i przetwarzanie danych, które kiedyś pochłonęły karierę, mogą mieć miejsce w projekcie.
W źródle luk kryje się także cicha ironia. GALEX pominął najjaśniejsze obszary gwiazdotwórcze właśnie dlatego, że należą one do najcenniejszych celów — silników powstawania nowych gwiazd, które astronomowie najbardziej chcą badać w świetle ultrafioletowym. Misja zaprojektowana wokół ochrony instrumentów pozostawiła najciekawsze dzielnice niezmapowane i dopiero teraz, dzięki rekonstrukcji wspomaganej sztuczną inteligencją, ten martwy punkt został wypełniony.
Ostrzeżenia
Zamalowane regiony to przewidywania, a nie pomiary. Około jedna trzecia tej mapy istnieje dzięki modelowi, który wywnioskował, jak powinno wyglądać niebo w promieniach UV, na podstawie otaczających danych i wzorców uzyskanych z pokrytych obszarów. Średnie odchylenie wynoszące 10 procent jest wartością zagregowaną; określone struktury – słaby pierścień wokół pozostałości gwiezdnej, krawędź obłoku pyłu – mogą być mniej wiarygodne, niż sugerują ogólne statystyki mapy.
To nie jest zwolnienie. Każdy projekt rekonstrukcji w astronomii wiąże się z tymi samymi kompromisami, a projekt Anthropic jasno pokazuje, które regiony zostały wywnioskowane. Jednak badacze powołujący się na mapę będą musieli odróżnić obszary obserwowane od zrekonstruowanych, szczególnie w przypadku słabych lub nietypowych źródeł.
Projekt sygnalizuje także szersze działania Anthropic mające na celu umiejscowienie swoich modeli w procesach naukowych, od mapy nieba po ogłoszone w tym tygodniu skanowanie podatności na oprogramowanie typu open source. Dla społeczności astronomów natychmiastowy wniosek jest prostszy: zbiór danych, który obecnie nie istnieje, a narzędzia, które go zbudowały, można następnie wskazać na inne misje.
---
Wyprzedź sztuczną inteligencjęOtrzymuj najnowsze wiadomości, analizy i przełomowe informacje dotyczące sztucznej inteligencji — wszystko w jednym miejscu.
Przeczytaj więcej aktualności o sztucznej inteligencji →
