مکاترونیک نیوز | هوش مصنوعی به محققان کمک می‌کند تا ناهنجاری‌‌های فضایی را کشف کنند

به گزارش مکاترونیک نیوز، 11 مورد از ناهنجاری‌‌های فضایی که قبلا گزارش نشده بود (هفت مورد آنها نامزد ابرنواختر هستند)، توسط تیم SNAD، یک شبکه بین‌المللی از دانشگاهیان که شامل ماتوی کورنیلوف، دانشیار دانشکده فیزیک در دانشگاه HSE است، شناسایی شد.

برای رویکرد «نزدیک‌ترین همسایه» در تشخیص ناهنجاری فضایی، محققان از درخت k-D برای تجزیه و تحلیل تصاویر دیجیتالی از آسمان شمال که در سال 2018 جمع‌آوری شده‌اند، استفاده کردند. الگوریتم‌های یادگیری ماشینی به خودکارسازی جستجو کمک کردند.

اکتشافات نجومی و ناهنجاری‌‌های فضایی

اکثر اکتشافات نجومی بر مشاهدات اولیه و محاسبات بعدی تکیه کرده‌اند. اگرچه مشاهدات نسبتا کمی در قرن بیستم انجام شده بود، معرفی بررسی‌های نجومی گسترده به طور قابل توجهی میزان داده‌های موجود را افزایش داد.

تیم SNAD، متشکل از محققانی از ایالات متحده، فرانسه و روسیه متوجه شدند که تجزیه و تحلیل دستی چنین حجم عظیمی از داده‌ها پرهزینه و وقت‌گیر است، بنابراین تصمیم گرفتند یک راه‌حل خودکار بسازند.

هنگام تجزیه و تحلیل اجرام نجومی، دانشمندان به منحنی‌های نور آنها نگاه می‌کنند که تغییرات در روشنایی یک شی‌ء را در طول زمان نشان می‌دهد. ناظران ابتدا فلش نور را در آسمان می‌بینند، سپس رشد آن را تماشا می‌کنند تا ببینند که آیا روشن‌تر، ضعیف‌تر یا به طور کلی ناپدید می‌شود.

میلیون‌ها منحنی نور واقعی و هفت مدل منحنی زنده تولید شده از اجسام هدف، در این تحقیق مورد تجزیه و تحلیل قرار گرفتند. آنها 40 ویژگی از جمله زمان و دامنه روشنایی یک جسم را در مجموع تحت نظر گرفتند.

کنستانتین مالانچف، یکی از نویسندگان مطالعه و پژوهشگر فوق دکتری، دانشگاه ایلینوی در اوربانا ـ شامپین می‌گوید:

«ما خواص شبیه‌سازی‌های خود را با استفاده از مجموعه‌ای از ویژگی‌هایی که انتظار می‌رود در اجرام نجومی واقعی مشاهده شود، توصیف کردیم. در مجموعه داده تقریباً یک میلیون شی‌ء، ما به دنبال ابرنواخترهای فوق قدرتمند، ابرنواخترهای نوع Ia، ابرنواخترهای نوع II و رویدادهای اختلال جزر و مدی بودیم. ما به این دسته از اشیا به عنوان ناهنجاری فضایی اشاره می‌کنیم. آنها یا بسیار نادر هستند، با خواص کمتر شناخته شده و یا به اندازه کافی جالب به نظر می‌رسند که شایستگی مطالعه بیشتر را داشته باشند.»

تاثیر هوش مصنوعی بر کشف ناهنجاری‌‌های فضایی

از رویکرد درخت k-D برای مقایسه داده‌های منحنی نور از شبیه‌سازی‌ها با اشیا واقعی استفاده شد. درخت k-D یک ساختار داده هندسی با هوش مصنوعی برای شکستن فضا به قطعات کوچک‎‌تر برای استفاده از ابرصفحه‌ها، صفحات، خطوط یا نقاط است.

این تکنیک در مطالعه کنونی برای تمرکز بر ناحیه جستجو بوده، در حالی که به دنبال موارد واقعی با ویژگی‌هایی است که با آنچه در هفت شبیه‌سازی مطابقت دارد، مورد استفاده قرار خواهد گرفت.

سپس این تیم برای هر شبیه‌سازی 15 همسایه یا آیتم واقعی از پایگاه داده پیدا کرد که آنها را به صورت بصری بررسی کردند تا به دنبال بی‌نظمی باشند.

در نهایت یازده ناهنجاری فضایی توسط موارد انسانی تأیید شد که از این میان، هفت مورد نامزد ابرنواختر بودند. همچنین ممکن است چهار مورد نامزد مراکز فعال کهکشانی باشند که رویدادهای اختلال جزر و مدی در آنها رخ می‌دهد.

ماریا پروژینسکایا، نویسنده و محقق پژوهشی موسسه نجوم استرنبرگ می‌گوید:

«این یک نتیجه بسیار خوب است. علاوه بر اشیای کمیاب که قبلاً کشف شده بود، ما توانستیم چند مورد جدید را که قبلاً توسط ستاره‌شناسان از دست رفته بود، شناسایی کنیم. این روند به آن معنی است که الگوریتم‌های جستجوی موجود را می‌توان برای جلوگیری از گم شدن چنین اشیایی بهبود بخشید.»

این مطالعه نشان می‌دهد که این تکنیک هم بسیار کارآمد است و هم استفاده از آن نسبتاً ساده است. تکنیک پیشنهادی برای شناسایی انواع خاصی از رویدادهای فضایی همه‌جانبه است و می‌توان از آن برای یافتن هر اجرام آسمانی جذاب، نه فقط انواع غیرعادی ابرنواخترها، استفاده کرد.

ماتوی کورنیلوف، دانشیار، دانشکده فیزیک، دانشگاه HSE می‎گوید:

«پدیده‌های نجومی و اختر فیزیکی که هنوز کشف نشده‌اند، ناهنجاری فضایی هستند. انتظار می‌رود که موارد و علایم مشاهده شده آنها با خواص اجسام شناخته شده، متفاوت باشد. در آینده سعی خواهیم کرد با استفاده از روش خود ناهنجاری‌های فضایی جدیدی را کشف کنیم.»

خبرنگار: فرشاد خلقتی

منبع خبر: www.azorobotics.com