هوش مصنوعی منبع امواج گرانشی را در کمتر از یک ثانیه شناسایی می‌کند

طبق آخرین اخبار در دنیای تکنولوژی، روش جدید هوش مصنوعی می‌تواند منبع امواج گرانشی را در کمتر از یک ثانیه شناسایی کند.

به گزارش تکراتو و به نقل از gizmodo، اکنون، به لطف پیشرفت‌های انجام‌شده در حوزه یادگیری ماشینی در نجوم، شناسایی برخورد ستاره‌های نوترونی تنها در کسری از یک دقیقه امکان‌پذیر شده است.

گروهی از پژوهشگران به تازگی روشی جدید برای تشخیص منابع امواج گرانشی معرفی کرده‌اند که می‌تواند دقت این کشف‌ها را به میزان قابل توجهی افزایش داده و روند شناسایی چنین پدیده‌های مرموزی را سرعت ببخشد.

شناسایی امواج گرانشی توسط هوش مصنوعی

نتایج این پژوهش که امروز در نشریه Nature منتشر شده است، الگوریتمی را معرفی می‌کند که برای مطالعه امواج گرانشی ناشی از برخورد ستاره‌های نوترونی طراحی شده است. پس از شناسایی این امواج، منجمان سراسر جهان می‌توانند از وقوع این رویداد مطلع شده و تا حد امکان اطلاعات بیشتری از این منابع گذرا و اسرارآمیز جمع‌آوری کنند.

امواج گرانشی چیست؟

امواج گرانشی، نوساناتی در بافت فضا-زمان هستند که نخستین بار بیش از یک قرن پیش توسط اینشتین پیش‌بینی شدند، اما اولین بار در سال ۲۰۱۵ توسط مجموعه رصدخانه‌های LIGO، Virgo و KAGRA مشاهده شدند. این امواج در اثر تعامل بین سنگین‌ترین اجرام کیهانی، مانند سیاه‌چاله‌ها و ستاره‌های نوترونی، ایجاد می‌شوند.

الگوریتم جدید این تیم پژوهشی، روی ستاره‌های نوترونی که به تدریج به یکدیگر نزدیک شده و در نهایت ادغام می‌شوند، متمرکز است، فرآیندی که به آن برخورد ستاره‌های نوترونی گفته می‌شود.

شناسایی امواج گرانشی ناشی از این برخوردها و همچنین ادغام سیاه‌چاله‌ها، به منجمان کمک می‌کند تا ساختار ستاره‌های نوترونی را بهتر درک کنند، منشأ برخی عناصر سنگین را بشناسند، نظریه نسبیت عام را آزمایش کنند، نرخ گسترش کیهان را اندازه‌گیری کنند و حتی به شناخت ماهیت ماده تاریک کمک کنند.

هوش مصنوعی چگونه این فرآیند را سرعت می‌بخشد؟

هوش مصنوعی می‌تواند تجزیه‌وتحلیل این رویدادهای کیهانی را تسریع کند و طبق یافته‌های این پژوهش، دقت پیش‌بینی مکان منبع امواج گرانشی را نیز افزایش دهد.

به گفته این تیم، این روش قادر است محل دقیق رویداد را در کمتر از یک ثانیه تعیین کند و همچنین می‌تواند به عنوان الگویی برای تحلیل داده‌ها در نسل بعدی رصدخانه‌های امواج گرانشی، از جمله پروژه LISA، مورد استفاده قرار گیرد.

ماکسیمیلیان داکس، پژوهشگر یادگیری ماشینی و فیزیکدان دانشگاه توبینگن و نویسنده اصلی این مطالعه، در گفت‌وگویی با گیزمودو توضیح داد:

پس از آموزش شبکه عصبی، هر بار که یک مشاهده جدید انجام شود، این شبکه می‌تواند داده‌ها را دریافت کرده و ویژگی‌های برخورد ستاره‌های نوترونی (از جمله موقعیت آن) را در کمتر از یک ثانیه پیش‌بینی کند. این فرآیند بسیار سریع است، زیرا نیازی به انجام شبیه‌سازی‌های جدید از امواج گرانشی در مرحله تحلیل داده‌ها نداریم.

او در ادامه افزود:

امیدواریم که روش ما بتواند به شناسایی سیگنال‌های الکترومغناطیسی بیشتری که از برخورد ستاره‌های نوترونی منتشر می‌شوند، کمک کند و همچنین آن‌ها را زودتر (یعنی نزدیک‌تر به لحظه ادغام) رصد کنیم. این نوع مشاهدات چندگانه بسیار هیجان‌انگیز هستند و در حوزه‌هایی مانند کیهان‌شناسی، فیزیک هسته‌ای و گرانش اهمیت زیادی دارند.

الگوریتم جدید این تیم نسبت به روش‌های قبلی، ۳۰ درصد دقت بیشتری دارد و می‌تواند به منجمان کمک کند تا مشخص کنند کدام رویدادهای ادغامی نیاز به مشاهدات دقیق‌تر و فوری دارند.

مایکل ویلیامز، کیهان‌شناس دانشگاه پورتسموث بریتانیا، در مقاله‌ای تحلیلی نوشت:

یادگیری ماشینی اخیراً توجه زیادی را در حوزه پژوهش‌های امواج گرانشی به خود جلب کرده و به عنوان روشی برای بهبود یا حتی جایگزینی تکنیک‌های تحلیل موجود در نظر گرفته می‌شود.

با این حال، او هشدار داد:

هنوز چالش‌هایی باقی مانده است. عملکرد الگوریتم‌های یادگیری ماشینی به شدت به نحوه آموزش آن‌ها وابسته است. در مورد این الگوریتم، یکی از مشکلات این است که نویز واقعی در آشکارسازهای امواج گرانشی، در طول زمان تغییر می‌کند و ممکن است با داده‌هایی که برای آموزش شبکه استفاده شده‌اند، متفاوت باشد. این موضوع می‌تواند منجر به خطاهای سیستماتیکی شود که نتایج را منحرف کند.

ویلیامز در پایان خاطرنشان کرد که آزمون واقعی این الگوریتم، زمانی خواهد بود که برخورد بعدی ستاره‌های نوترونی رخ دهد و این سیستم باید اطلاعات را به سرعت پردازش و منتشر کند.

با ورود رصدخانه‌های پیشرفته‌ای مانند رصدخانه ورا روبین و دوربین LSST در آینده‌ای نزدیک، تشخیص سریع این رویدادهای گذرا در کیهان، بیش از هر زمان دیگری اهمیت پیدا خواهد کرد.