اولین ابرنواختر توسط هوش مصنوعی کشف، تایید، طبقهبندی، و به اشتراک گذاشته شد. یک فرآیند جامع، شامل یک موتور هوش مصنوعی پیشرفته (AI)، اولین ابرنواختر را کشف، شناسایی، و اجرا کرد. سیستم جدیدی که توسط یک همکاری بینالمللی به رهبری دانشگاه نورث وسترن توسعه یافته است، جستجوی ابرنواخترهای جدید در آسمان شب را خودکار میکند و به طور موثر انسانها را از این فرآیند حذف میکند. این نه تنها روند تجزیه و تحلیل و طبقهبندی نامزدهای ابرنواختر جدید را سرعت میبخشد، بلکه از خطای انسانی نیز جلوگیری میکند.
این تیم جامعه نجومی را در مورد راهاندازی و اثربخشی ابزار جدیدی به نام Bright Transient Survey Bot (BTSbot) در این هفته هشدار داد. در شش سال گذشته، مردم در مجموع حدود ۲۲۰۰ ساعت را صرف تحقیق و طبقهبندی نامزدهای ابرنواختری کردهاند. با ابزارهای جدیدی که اکنون به طور رسمی آنلاین هستند، محققان میتوانند این زمان ارزشمند را به کارهای دیگر هدایت کنند تا سرعت کشف را تسریع کنند.
آدام میلر از نورث وسترن که این کار را رهبری میکرد، گفت: “برای اولین بار، یک سری از رباتها و الگوریتمهای هوش مصنوعی مشاهده، سپس شناسایی شدند، و سپس با تلسکوپ دیگری برای تایید کشف یک ابرنواختر ارتباط برقرار کردند.” این نشاندهنده گام مهمی به جلو است، زیرا اصلاح بیشتر مدلها به رباتها اجازه میدهد تا انواع خاصی از انفجارهای ستارهای را تشخیص دهند. در نهایت، حذف افراد از حلقه به تیم تحقیقاتی زمان بیشتری برای تجزیه و تحلیل مشاهدات خود و ایجاد فرضیههای جدید برای توضیح منشاء میدهد: انفجارهای کیهانی که مشاهده میکنیم.
از نورث وسترن که توسعه فناوری را با میلر رهبری میکرد، گفت: “ما به اولین تشخیص، شناسایی، و طبقهبندی یک ابرنواختر کاملاً خودکار در جهان دست یافتیم.” این کار مطالعات بزرگتر در مورد ابرنواخترها را بسیار ساده میکند و به درک بهتر چرخه زندگی ستارگان و منشاء عناصر تولید شده توسط ابرنواخترها مانند کربن، آهن، و طلا کمک میکند.
میلر دانشیار فیزیک و نجوم در کالج هنر و علوم واینبرگ نورث وسترن و عضو مرکز تحقیقات و کاوشهای میانرشتهای در اخترفیزیک (CIERA) است. رهمتولا، دانشجوی کارشناسی ارشد نجوم در گروه تحقیقاتی میلر است.
ربات ها به کمک می آیند
برای شناسایی و تجزیه و تحلیل ابرنواخترها، امروزه انسانها دست در دست هم با سیستمهای روباتیک کار میکنند. اول، تلسکوپهای رباتیک به طور مکرر از همان بخشهای آسمان شب تصویربرداری میکنند و به دنبال منابع جدیدی هستند که در تصاویر قبلی وجود نداشتند. سپس، هنگامی که آن تلسکوپها چیز جدیدی را شناسایی میکنند، مردم کنترل را به دست میگیرند.
میلر گفت: “این نرمافزار به طور خودکار فهرستی از کاندیداها را به انسانها ارائه میدهد که زمان صرف غربالگری نامزدها و انجام مشاهدات طیفسنجی میکنند. ما فقط با جمعآوری طیف خود میتوانیم بدانیم که یک نامزد در واقع یک ابرنواختر است – منبع نور پراکنده که عناصر موجود در انفجار را آشکار میکند. تلسکوپهای خودکاری وجود دارند که میتوانند طیفها را جمعآوری کنند، اما این کار اغلب توسط انسانها انجام میشود که تلسکوپ را اداره میکنند. با یک دستگاه طیفسنجی.”
محققان BTSbot را برای حذف این واسطه توسعه دادهاند. برای ساخت ابزار هوش مصنوعی، Rehemtulla یک الگوریتم ماشینی با بیش از ۱.۴ میلیون تصویر تاریخی از نزدیک به ۱۶۰۰۰ منبع، از جمله ابرنواخترهای تایید شده، ستارههای گذار، ستارههای متغیر و کهکشانهای شعلهور، آموزش داد.
کریستوفر فرملینگ گفت: «تاسیسات انتقال Zwicky (ZTF) در شش سال گذشته فعال بوده است، در این مدت من و دیگران بیش از ۲۰۰۰ ساعت را صرف بررسی بصری مواد کاندید و تصمیمگیری برای مشاهده طیفسنجی کردهایم. او یک ستارهشناس در موسسه فناوری کالیفرنیا (Caltech) است که ابزار هوش مصنوعی دیگری به نام SNIascore را توسعه داد و در توسعه BTSbot مشارکت داشت. “افزودن BTSbot به گردش کار ما نیاز به صرف زمان برای غربالگری این نامزدها را از بین میبرد.”
موفقیت اولیه و موجی از آرامش
برای آزمایش BTSbot، محققان به یک نامزد ابرنواختری اخیراً کشف شده به نام SN2023tyk نگاه کردند. ZTF، یک رصدخانه روباتیک که آسمان شب را برای یافتن ابرنواخترها اسکن میکند، برای اولین بار این منبع را در ۳ اکتبر شناسایی کرد. BTSbot SN2023tyk را در ۵ اکتبر در حالی که دادههای ZTF را در زمان واقعی مشاهده میکرد، پیدا کرد.
از آنجا، BTSbot به طور خودکار طیف ابرنواختر احتمالی را از رصدخانه بولومر درخواست کرد، جایی که تلسکوپ روباتیک دیگری (ماشین SED) مشاهدات عمیقی را برای بدست آوردن طیف منبع انجام داد. ماشین SED این طیف را به SNIascore Caltech میفرستد تا نوع ابرنواختر را تعیین کند: یا انفجار گرماهستهای یک کوتوله سفید یا فروپاشی هسته یک ستاره پرجرم.
پس از تعیین اینکه نامزد یک ابرنواختر نوع Ia (انفجار ستاره کوتوله سفید در یک سیستم دوتایی کامل) است، سیستم خودکار نتایج را در ۷ اکتبر به طور عمومی با جامعه نجومی به اشتراک گذاشت.
در اولین روزهای اجرای BTSbot، Rehemtulla ترکیبی از اعصاب و هیجان را احساس کرد. او با احساس آرامش فوقالعاده گفت: “شبیهسازی عالی است، اما تا زمانی که آن را امتحان نکنید، واقعاً نمیدانید چگونه به دنیای واقعی ترجمه میشود. و خوب کار میکنیم، ما هیچ کاری انجام نمیدهیم. شب بخوابیم، و صبح، میبینیم که BTSbot و سایر هوش مصنوعیها خدمات خود را بیپایان انجام میدهند.”
پرسش ها
نام دستگاه هوش مصنوعی جدید که توسط دانشگاه نورث وسترن ساخته شده است و چه اهمیتی در نجوم دارد؟
ابزار هوش مصنوعی جدید توسعهیافته توسط دانشگاه نورث وسترن، ربات بررسیگذرا روشن (BTSbot) نام دارد. اهمیت آن در خودکارسازی کل فرآیند شناسایی، شناسایی و طبقهبندی ابرنواخترها در آسمان شب است. این ابزار تجزیه و تحلیل و طبقهبندی نامزدهای ابرنواختر جدید را تسریع میکند، خطای انسانی را حذف میکند و به محققان اجازه میدهد تا زمان خود را به مسئولیتهای دیگر اختصاص دهند، که سرعت کشف را تسریع میکند.
نوآوری اصلی که Bright Transient Survey Bot (BTSbot) در فرآیند شناسایی و تجزیه و تحلیل ابرنواخترها به ارمغان آورده است، چیست و چگونه بر رویکرد سنتی شامل ناظران انسانی و روباتها تأثیر میگذارد؟
یک نوآوری کلیدی که توسط ربات Bright Transient Survey Bot (BTSbot) معرفی شده است، تشخیص، طبقهبندی و تشخیص خودکار ابرنواخترها بدون نیاز به دخالت انسان است. به طور سنتی، ناظران انسانی با تلسکوپهای روباتیک کار میکردند و زمانی که یک ابرنواختر بالقوه مشاهده شد، انسانها برای راستیآزمایی و مشاهدات طیفسنجی مسئولیت را بر عهده گرفتند. BTSbot که با بیش از ۱.۴ میلیون تصویر تاریخی آموزش دیده است، این فرآیند را با شناسایی و طبقهبندی خودکار نامزدهای ابرنواختر ساده میکند. این کشف نه تنها تجزیه و تحلیل و طبقهبندی ابرنواخترها را سرعت میبخشد، بلکه فضای خطای انسانی را نیز کاهش میدهد. با یک سیستم هوش مصنوعی آنلاین، محققان میتوانند زمان خود را به طور موثرتری اختصاص دهند و سرعت نوآوری در زمینه نجوم را تسریع کنند.
محققان پس از تایید وجود ابرنواخترها چه اقدامات دیگری انجام دادند و چگونه به پیشرفت درک ما از ابرنواخترها کمک کردند؟
پس از تایید این ابرنواختر، محققان از الگوریتم یادگیری ماشین دیگری برای طبقهبندی آن بر اساس ویژگیهای طیفی آن استفاده کردند. این طبقهبندی به تعیین نوع ابرنواختر و فاصله آن از زمین کمک کرد. سپس محققان دادههای بهدستآمده را از طریق سرور نام موقت (DNS)، پایگاهدادهای که در جمعآوری و انتشار اطلاعات درباره اشیای موقت تخصص دارد، با جامعه نجومی به اشتراک گذاشتند. با در دسترس قرار دادن این دادهها، ستارهشناسان دیگر میتوانند ابرنواخترها را مشاهده و مطالعه کنند و بینشهای ارزشمندی را در مورد درک ما از این پدیدههای آسمانی جذاب ارائه دهند.
آیا میتوانید بیشتر در مورد تجربه و احساسات محققان در مورد اجرای Bright Transient Survey Bot (BTSbot) بخوانم؟
محققان که از تجربیات اجرای BTSbot حکایت میکنند، از تحولات و پیشرفتهای چشمگیر این ابزار هوش مصنوعی تعجب کردهاند. آنها به احساس آرامش و هیجانی که در اولین روزهای اجرای BTSbot تجربه کردند، اشاره کردهاند. توانمندی این روبات در شناسایی و طبقهبندی خودکار ابرنواخترها به ویژه اعتبارسنجی آنها، محققان را مبهوت کرده و امکانات جدیدی در زمینه کشف آسمان را به وجود آورده است.
آنها تاکید دارند که این ابزار هوش مصنوعی نه تنها به افزایش سرعت کشف ابرنواخترها کمک کرده، بلکه خطای انسانی را نیز به حداقل ممکن کاهش داده است. محققان از امکانات خودکار BTSbot برای طیفسنجی ابرنواخترها و ارتقاء فرآیند تجزیه و تحلیل اطلاعات نجومی بهرهمند شدهاند.
در کل، تجربه محققان نشان میدهد که BTSbot به عنوان یک ابزار هوش مصنوعی قدرتمند، بهطور مثبتی در جهت تسریع فرآیندهای نجومی و افزایش دقت و قابلیت اطمینان در کشف ابرنواخترها تأثیر گذار بوده است.
تعاریف
هوش مصنوعی (AI):
در این متن، هوش مصنوعی به سیستمهای کامپیوتری پیشرفته، به ویژه ربات بررسی گذرا روشن (BTSbot) اشاره دارد که برای شناسایی، طبقهبندی، و تایید ابرنواخترها بدون دخالت انسان به طور مستقل طراحی شده است.
ابرنواختر:
ابرنواختر یک رویداد آسمانی است که با درخشش ناگهانی ستارهای که مقدار زیادی انرژی آزاد میکند، مشخص میشود. در ادبیات، تمرکز بر روی تشخیص خودکار، طبقهبندی، و کنترل ابرنواخترها است.
دانشگاه نورث وسترن:
– قدردانی: دانشگاه نورث وسترن یک مؤسسه پیشرو در همکاری بینالمللی است که ربات بررسی گذرا روشن (BTSbot) را توسعه داده است. این ربات برای خودکارسازی جستجو و تجزیه و تحلیل ابرنواخترها طراحی شده است.
IBot eBright Transient Survey (BCvot):
BTSbot یک ابزار هوش مصنوعی است که توسط دانشگاه نورث وسترن توسعه یافته است. این ابزار قادر به تشخیص، طبقهبندی، و اعتبارسنجی ابرنواخترها به طور مستقل میباشد و نیازی به مداخله انسانی در تشخیص و تجزیه و تحلیل رویدادهای آسمانی را کاهش میدهد.
الگوریتم یادگیری ماشین:
این الگوریتم برای طبقهبندی ابرنواخترها بر اساس ویژگیهای طیفی آنها استفاده میشود و نقش مهمی در تعیین نوع ابرنواختر و فاصلهاش از زمین ایفا میکند.
ویژگیهای طیف:
طیف مشخصه، در طیف الکترومغناطیسی یک جرم آسمانی یافت میشود. الگوریتمهای یادگیری ماشین از این ویژگیها برای طبقهبندی و تجزیه و تحلیل ابرنواخترها استفاده میکنند.
سرور نام گذرا (TNS):
– توضیحات: سرور نام گذرا (TNS) یک مرکز داده است که اطلاعات مربوط به اجرام آسمانی گذرا، از جمله ابرنواخترها، را جمعآوری و منتشر میکند. محققان اطلاعات خود را از طریق TNS به اشتراک میگذارند تا به درک وسیعتری از این پدیدههای زمانی کمک کنند.
همکاری بینالمللی:
همکاری بینالمللی به همکاری شامل چندین مؤسسه اشاره دارد، و دانشگاه نورث وسترن رهبری همکاری در توسعه BTSbot را بر عهده دارد.
تلسکوپ رباتیک:
تلسکوپهای رباتیک ابزارهای نجومی خودکاری هستند که میتوانند تصاویری از آسمان شب بگیرند. تشخیص سنتی ابرنواختر شامل استفاده از آنها در کنار ناظران انسانی قبل از معرفی سیستمهای خودکار مانند BTSbot بود.
خطای انسانی:
خطای انسانی به خطاها یا نادرستیهای بالقوه اشاره دارد که توسط ناظران انسانی در فرآیند سنتی شناسایی و طبقهبندی ابرنواخترها معرفی میشوند. معرفی BTSbot با هدف کاهش چنین خطاهایی و تسهیل فرآیند کشف میشود.