[Перевод] Как искусственный интеллект помогает составлять карты Вселенной
Искусственный интеллект (ИИ) стал незаменимым инструментом для понимания мира вокруг нас. Теперь, когда интерес к исследованию космоса вновь набирает обороты, он может оказать аналогичную помощь в изучении других миров.
Несмотря на десятилетия исследований, ученые все еще мало знают о Вселенной за пределами атмосферы Земли. Составление карт планет, звезд, галактик и их движений в пространстве может помочь в этом, но исторически это была сложная задача. ИИ упрощает ее несколькими способами.
Дисклеймер: это вольный перевод колонки Зака Эймоса, которую он написал для портала UniteAI. Перевод подготовила редакция «Технократии». Чтобы не пропустить анонс новых материалов подпишитесь на «Голос Технократии» — мы регулярно рассказываем о новостях про AI, LLM и RAG, а также делимся полезными мастридами и актуальными событиями.
Обсудить пилот или задать вопрос об LLM можно здесь.
1. Идентификация небесных тел
Из-за огромных расстояний во Вселенной часто трудно определить, что именно мы наблюдаем. Системы машинного зрения могут помочь, различая разные небесные объекты там, где человеческий глаз может быть ненадежен.
В 2020 году исследователи из Гавайского университета разработали перспективную модель ИИ для решения этой задачи. Их нейронная сеть смогла идентифицировать галактики с точностью 98,1%, звезды — с точностью 97,8%, а квазары — с точностью 96,6%. В результате они смогли составить каталог объемом 300 гигабайт, охватывающий небесные тела на трех четвертях неба.
По мере того как телескопы и спутники предоставляют все больше изображений Вселенной, такие классификационные алгоритмы могут облегчить интерпретацию данных. Когда ученые точно знают, что они наблюдают, они могут проводить дальнейшие исследования более эффективно.
2. Измерение расстояний
Составление карт Вселенной — это не только понимание того, что находится вокруг нас. Исследователи также должны измерять расстояния между объектами, чтобы понять масштаб и движение в галактиках или планировать будущие полеты спутников и космических кораблей. ИИ помогает и в этой области.
Вычисление расстояний путем мониторинга небесной активности требует сложных математических уравнений — именно того, в чем ИИ особенно силен. Одно из решений достигло точности 76% при определении размеров и расстояний между молекулярными облаками, анализируя данные радиотелескопов. Другое измеряло расстояние до гамма-всплесков, отслеживая данные наземных телескопов.
Такие инструменты предоставляют более надежные оценки масштаба и скорости процессов в широкой Вселенной. По мере улучшения моделей с поступлением новых данных они могут способствовать более безопасным космическим путешествиям или предлагать лучшее понимание таких явлений, как солнечные вспышки или вспышки сверхновых.
3. Анализ исторических наблюдений
ИИ также помогает составлять карты Вселенной, анализируя исторические движения небесных тел. Хотя подробных записей о небе на протяжении всей истории может и не быть, большая часть видимого неба на самом деле представляет прошлое из-за времени, которое требуется свету для того, чтобы достигнуть Земли. Соответственно, ученые могут использовать ИИ для моделирования и понимания прошлых тенденций в космосе.
В одном исследовании была создана модель ИИ для составления каталога из более чем 17 000 галактик вблизи Млечного Пути. Поскольку она анализировала области, находящиеся далеко от Земли, полученные симуляции отражали далекое прошлое, раскрывая новую информацию о том, как небесные тела перемещались на протяжении тысячелетий. В полученной карте были включены структуры темной материи, о которых исследователи ранее не знали.
Такие инсайты показывают, как галактики смещались и влияли друг на друга на протяжении истории. Понимание этого является ключом к более глубокому осознанию того, как Вселенная функционирует в большем масштабе.
4. Прогнозирование будущих изменений
ИИ может предоставить взгляды в будущее, изучая прошлое. Модели прогнозной аналитики уже применяются к прогнозированию продаж и отслеживанию вспышек заболеваний, и они могут быть использованы для предсказания крупных небесных событий.
Решение на основе ИИ, которое симулировало исторические движения галактик, показало, что галактики Млечный Путь и Андромеда движутся навстречу друг другу. Имея дополнительные данные и прогнозную модель, ученые могут определить, когда может произойти потенциальное столкновение в отдаленном будущем.
Прогнозы, основанные на ИИ, особенно полезны в меньшем масштабе. Прогнозная аналитика может помочь исследователям предсказывать солнечные бури или движения астероидов, чтобы знать, когда необходимо предпринять действия для предотвращения повреждений или нарушений на Земле.
5. Создание точных карт планет
Некоторые инструменты ИИ подходят к составлению карт более узко. Хотя понимание звезд важно, создание карт поверхности планет может быть более полезным в ближайшей перспективе, особенно по мере активизации космических исследований. Марсоходы NASA Mars Exploration уже используют ИИ для навигации, и аналогичные технологии могут создавать детальные обзоры экзопланет.
Создание геологической карты далекой планеты требует объединения значительного объема данных из разных источников. Это может быть сложной задачей, занимающей много времени и оставляющей существенную вероятность ошибок. ИИ может собрать информацию для формирования единого, надежного источника данных быстрее и с большей точностью.
Машинное обучение может находить тенденции и сходства в обширных наборах данных, которые люди могут упустить. Соответственно, оно может идентифицировать геологические структуры, которые ученые иначе могли бы не заметить. Эти инструменты также могут преобразовать набор разрозненных данных в единую, удобную карту для содействия дальнейшим исследованиям.
6. Сокращение времени на создание карт
Во всех областях применения инструменты для составления карт на основе ИИ сокращают время, необходимое для анализа и понимания Вселенной. Это важно, потому что более быстрое открытие ведет к инновациям и делает более глубокие исследования жизнеспособными даже в условиях ограниченного времени.
Исследование японских ученых подчеркивает этот потенциал. Команда разработала симулятор на основе ИИ для моделирования поведения галактик и распределения темной материи. Запуск симуляции занял всего одну секунду ЦП на ноутбуке, тогда как обычно это заняло бы десятки часов на суперкомпьютере. Такая скорость не сопровождалась снижением точности.
Когда процессы создания карт занимают меньше времени, ученые могут сделать больше попыток. В результате астрономическое сообщество может получить дополнительную информацию без трудоемких и дорогостоящих проектов, для которых может быть сложнее получить финансирование.
7. Сделать исследования более доступными
Аналогично, ИИ делает такие исследования жизнеспособными для более широкой группы людей. По мере сокращения сроков уменьшаются и связанные с ними расходы. Эти оптимизации означают, что небольшие компании или исследователи с меньшим финансированием могут участвовать в таких же исследованиях.
Обычные астрономические обзоры могут стоить каждый по нескольку миллиардов долларов — значительно больше, чем могут себе позволить многие компании или образовательные учреждения. ИИ снижает эти расходы несколькими способами. Самый очевидный — сокращение времени, необходимого для проведения таких исследований, но его преимущества этим не ограничиваются.
Сложные модели машинного обучения могут предоставлять приемлемые результаты с меньшим объемом данных, снижая связанные с этим расходы. Готовые алгоритмы становятся более доступными по мере роста этой технологии, что дополнительно уменьшает расходы на технологии и время обучения моделей. Такие тенденции демократизируют составление карт космоса, приводя к большему разнообразию исследований, что стимулирует инновации.
ИИ раскрывает тайны Вселенной
Ученым необходимо более детально составлять карты Вселенной, чтобы следующая волна космических исследований могла развиваться. ИИ может стать ключом к этому стремлению.
ИИ уже привнес впечатляющие улучшения в обширный массив астрономических исследований. Он станет еще лучше по мере того, как больше команд будет использовать эту технологию — идеальные параметры станут более очевидными, и релевантные данные будут расти. Машинное обучение может стать катализатором второй космической гонки в условиях этой тенденции.
