شبکه‌های عصبی روش تحلیل داده در اخترفیزیک را متحول کرده‌اند. پژوهش‌گرانی از بخش انرژی شتاب‌دهنده‌ی ملی SLAC و دانشگاه استنفورد نشان داده‌اند که می‌توان با شبکه‌های عصبی -‌شکلی از هوش مصنوعی‌ـ واپیچش‌های فضا‌‌ـ‌زمان یا عدسی‌های گرانشی را، ۱۰ میلیون بار سریع‌تر از روش‌های معمول بررسی نمود.

بنا بر گفته‌ی لورنس پریولت لواسر (Laurence Perreault Levasseur)، همکار پسادکتری و یکی از نویسندگان مقاله‌ای در Nature، «تحلیل‌هایی که چند هفته تا چند ماه به درازا می‌انجامید، با شبکه‌های عصبی تنها در کسری از ثانیه و در تراشه‌هایی ساده کامل می‌شوند».

تحلیل‌های پیچیده اما برق‌آسا

گروهی در موسسه‌ی کیهان شناسی Kavli (KIPAC)، مرکز تحقیقاتی مشترک SLAC  و دانشگاه استنفورد، برای تحلیل تصاویر عدسی‌های گرانشی و واپیچش نمای کهکشان‌های دور به شکل حلقه‌ و خم‌ به سبب گرانش اجرام سنگین مانند خوشه‌های کهکشانی نزدیک، شبکه‌های عصبی را به کار بسته‌اند. این واپیچش‌ها سرنخ‌های مهمی از توزیع جرم در فضا و تغییرات آن به دست می‌دهند؛ این ویژگی‌‌ها مربوط به ماده‌ی تاریک که ۸۵ درصد جرم عالم را می‌سازد، و انرژی تاریک که انبساط کیهان را سرعت می‌بخشد، هستند.

تا کنون این دست تحلیل‌ها و مقایسه‌ی تصاویر واقعی عدسی‌ها با نتایج شبیه‌سازی‌های کامپیوتری بسیار زمان‌گیر بودند. این سازوکار برای هر عدسی به اندازه‌ی هفته‌ها تا ماه‌ها به درازا می‌انجامید.

اما پژوهش‌گران با شبکه‌های عصبی، توانسته‌‌اند محاسبات مشابه، و مقایسه‌ی تصاویر تلسکوپ فضاییHubble  و نتایج شبیه‌سازی را تنها در چند ثانیه انجام دهند.

برای آموزش شبکه‌های عصبی، درمورد اهداف جست‌وجو، نیم‌ میلیون تصویر شبیه‌سازی‌شده‌ی عدسی‌های گرانشی مورد استفاده قرار گرفتند. شبکه‌ها با یک‌ بار آموزش، توانستند بلافاصله واپیچش‌هایی تازه را با دقتی در حد روش‌های قدیمی، محاسبه نمایند. این گروه در مقاله‌ای دیگر، از توانایی شبکه‌ها در تعیین عدم دقت خود خبر داده‌اند. 

سیلی از داده‌ها در راه هستند

یاشار هزاوه (Yashar Hezaveh)، نویسنده‌ی ارشد مقاله و همکار ناسا در KIPAC می‌گوید: «شبکه‌های عصبی‌ای که بررسی کردیم --‌سه شبکه‌ی عمومی و یک شبکه‌ که خود ایجاد نمودیم‌-- در تعیین ویژگی‌های هر عدسی مانند توزیع جرم و میزان بزرگ‌نمایی موفق بودند».

با این نوآوری، کاربردهای شبکه‌های عصبی در اخترفیزیک فراتر از دسته‌بندی و بررسی وجود عدسی‌های گرانشی خواهد بود.

با این تحول در سرعت بررسی داده‌ها و تحلیل‌های خودکار و پیچیده، راه برای بررسی‌های آینده و کاوش در اعماق آسمان گشوده می‌شود.

به عنوان نمونه پیش‌بینی می‌شود که با ساخت تلسکوپ مطالعه‌ی گسترده‌ی هم‌دید (LSST)، در SLAC ،با دوربین ۳/۲ گیگاپیکسلی‌اش، تعداد عدسی‌های گرانشی شناخته‌شده از چند صد به چند ده هزار افزایش یابند.

پریولت لواسر: «برای بررسی این حجم از داده با روش سنتی، نیروی لازم وجود ندارد» ... «شبکه‌‌های عصبی به شناسایی اجرام مهم‌تر و بررسی سریع آن‌ها کمک می‌کنند. این گونه زمان کافی برای پرداختن به پرسش‌های اساسی‌تر وجود خواهد داشت».

رهیافتی انقلابی

شبکه‌های عصبی با الهام از ساختار مغز بشر شکل گرفته‌اند. در مغز شبکه‌ی فشرده‌ای از نورون‌ها، حجم بالایی از اطلاعات را با سرعت بالایی تحلیل می‌نمایند.

در نسخه‌ی مصنوعی، «نورون‌ها» واحدهای محاسباتی منفردی در ارتباط با پیکسل‌های تصویر می‌باشند. نورون‌ها به صورت لایه‌ای قرار می‌گیرند؛ گاهی تعداد این لایه‌ها به صد می‌رسد. هر لایه شاخصه‌ای در تصویر را جست‌وجو می‌کند. هر لایه پس از یافتن شاخصه‌ی مورد نظر، اطلاعات خود را به لایه‌ی بعدی منتقل می‌کند تا بتواند شاخصه‌ی مورد نظر خود را در آن‌ها جست‌وجو کند.

فیل مارشال (Phil Marshall) یکی از همکاران نویسنده می‌گوید: «بخش هیجان‌انگیز، توانایی شبکه‌های عصبی در خودآموزی شناخت شاخصه‌های مهم و جست‌وجوی آن‌ها می‌باشد» ... «کودکان نیز در شناسایی اشیا از همین ویژگی بهره می‌برند. دقیقا نمی‌آموزیم که سگ چیست؛ تنها تصاویر آن را می‌بینیم».

هزاوه می‌گوید: «در این مورد، نه تنها تصویر سگ شناسایی می‌شود، بلکه مشخصات آن مانند وزن و سن نیز استخراج می‌گردد».

با وجود آن که این گروه اجرای برنامه‌های کامپیوتری خود را در مجموعه‌ی رایانه‌های شرلوک مرکز کامپیوتر استنفورد انجام داده‌اند، می‌توان این محاسبات را در رایانه‌های خانگی یا تلفن همراه نیز دنبال کرد. در واقع این گروه شبکه‌های عصبی خود را هماهنگ با تلفن آیفون طراحی نموده‌اند.

راجر بلندفورد (Roger Blandford)، از اعضای KIPAC که در این کار همکاری نداشته است، می‌گوید: «در گذشته نیز شبکه‌های عصبی در مسایل اخترفیزیکی وارد شده بودند؛ اما این الگوریتم تازه با واحدهای پردازنده‌ی تصویری نوین (GPU) ترکیب شده و می‌تواند به سرعت نتایجی قابل اطمینان تولید کند. همان طور که در مورد عدسی‌های گرانشی دیده‌شد، این رهیافت می‌تواند در شاخه‌های دیگر نیز به کار بسته شود».

منبع:

ArtificialIntelligenceAnalyzesGravitationalLenses10MillionTimesFaster