به لطف پیشرفت‌ها در رویکردی مبتنی بر یادگیری ماشین در نجوم، اکنون تنها کسری از دقیقه طول می‌کشد تا ادغام ستاره‌های نوترونی شناسایی شود. یک تیم تحقیقاتی به تازگی روش جدیدی برای شناسایی منابع امواج گرانشی معرفی کرده است که به گفته آن‌ها می‌تواند دقت شناسایی را به طور چشمگیری بهبود بخشد و تشخیص چنین رویدادهای مرموزی را تسریع کند.
شناسایی منابع امواج گرانشی در تنها یک ثانیه با استفاده از هوش مصنوعی
تحقیقات این تیم که در مجله Nature منتشر شده، یک الگوریتم برای مطالعه انتشار امواج گرانشی ناشی از ادغام ستاره‌های نوترونی ارائه می‌دهد. پس از شناسایی، اخترشناسان در سراسر جهان می‌توانند از این رویداد مطلع شوند و به متخصصان اجازه دهند تا اطلاعات بیشتری درباره این منابع گذرا و مرموز امواج گرانشی جمع‌آوری کنند.
امواج گرانشی چیست؟
بیایید کمی کندتر پیش برویم. امواج گرانشی، امواجی در فضازمان هستند که اولین بار توسط اینشتین بیش از یک قرن پیش پیش‌بینی شدند و تنها در سال ۲۰۱۵ توسط بخشی از همکاری کنونی LIGO-Virgo-KAGRA مشاهده شدند. امواج گرانشی توسط تعاملات برخی از چگال‌ترین اجرام جهان، یعنی سیاه‌چاله‌ها و ستاره‌های نوترونی، تولید می‌شوند.
الگوریتم این تیم بر روی ستاره‌های نوترونی متمرکز شده است که در حال چرخش مرگ‌بار به دور یکدیگر هستند و به تدریج به هم نزدیک می‌شوند تا در نهایت ادغام شوند، به این پدیده «ادغام ستاره‌های نوترونی» می‌گویند.
شناسایی امواج گرانشی منتشرشده توسط ستاره‌های نوترونی و سیاه‌چاله‌ها به اخترشناسان کمک می‌کند تا ساختار ستاره‌های نوترونی، منشأ برخی از عناصر سنگین، آزمایش‌های بهتر نظریه نسبیت عام و اندازه‌گیری نرخ انبساط جهان را درک کنند و حتی ممکن است به شناخت ماهیت ماده تاریک کمک کنند.
هوش مصنوعی می‌تواند تحلیل این رویدادهای امواج گرانشی را تسریع کند و بر اساس نتایج این تیم، دقت در پیش‌بینی مکان منبع ادغام را بهبود بخشد. به گفته این تیم، این روش می‌تواند منشأ امواج گرانشی را در تنها یک ثانیه ارزیابی کند و می‌تواند به عنوان یک الگو برای تحلیل داده‌ها در ردیاب‌های نسل بعدی امواج گرانشی، مانند LISA عمل کند.
الگوریتم جدید 30 درصد سریعتر از نسخه‌های قبلی است
ماکسیمیلیان داکس، محقق یادگیری ماشین و فیزیک‌دان دانشگاه توبینگن و نویسنده اصلی این مطالعه، گفته است: «پس از آموزش، هنگامی که یک مشاهده جدید انجام می‌شود، شبکه عصبی می‌تواند اندازه‌گیری را به عنوان ورودی بگیرد و ویژگی‌های سیستم دوتایی ستاره‌های نوترونی (BNS) از جمله موقعیت آن را در کمتر از یک ثانیه پیش‌بینی کند. این فرآیند بسیار سریع است زیرا در مرحله استنتاج نیازی به شبیه‌سازی جدید امواج گرانشی (GW) نداریم.»
داکس افزود: «ما امیدواریم که روش ما به مشاهده سیگنال‌های الکترومغناطیسی بیشتری که توسط ادغام‌های BNS منتشر می‌شوند کمک کند و این سیگنال‌ها را زودتر (یعنی نزدیک‌تر به زمان ادغام) مشاهده کنیم. چنین مشاهدات چندرسانه‌ای بسیار هیجان‌انگیز هستند و در زمینه‌های مختلفی از جمله کیهان‌شناسی، فیزیک هسته‌ای و گرانش مرتبط هستند.»
الگوریتم این تیم ۳۰ درصد دقیق‌تر از نسخه‌های قبلی است و می‌تواند به اخترشناسان کمک کند تا تعیین کنند کدام رویدادهای ادغام نیاز به مشاهدات بیشتر و اغلب زمان‌بر دارند.
مایکل ویلیامز، کیهان‌شناس دانشگاه پورتسموث در بریتانیا، در مقاله‌ای با عنوان News & Views گفت: «یادگیری ماشین اخیراً توجه زیادی را در تحقیقات امواج گرانشی به خود جلب کرده است، زیرا می‌تواند تکنیک‌های تحلیل موجود را بهبود بخشد یا حتی جایگزین کند.»
ویلیامز، که با این تحقیق جدید مرتبط نیست، افزود: «با این حال، چند چالش باقی مانده است. عملکرد الگوریتم‌های یادگیری ماشین به طور کلی به شدت به آموزش آن‌ها وابسته است. برای این الگوریتم، یک مشکل این است که ویژگی‌های نویز واقعی در ردیاب‌های امواج گرانشی با گذشت زمان از ویژگی‌هایی که در زمان آموزش شبکه فرض شده‌اند، متفاوت است. این موضوع خطاهای سیستماتیکی را معرفی می‌کند که می‌تواند نتایج را تحت تأثیر قرار دهد.»
ویلیامز نتیجه‌گیری کرد که «آزمون واقعی» این است که آیا الگوریتم این تیم می‌تواند اطلاعات مربوط به ادغام بعدی ستاره‌های نوترونی دوتایی را در زمان وقوع آن منتشر کند یا خیر.
گامی مهم در شناسایی رویدادهای گذرای کیهانی در سریع‌ترین زمان ممکن
زمان نشان خواهد داد که این رویکرد مبتنی بر یادگیری ماشین چقدر مؤثر است، اما با راه‌اندازی رصدخانه‌های پیشرفته در آینده نزدیک، شاید مهم‌ترین آن‌ها رصدخانه Vera Rubin و دوربین LSST آن باشد، شناسایی رویدادهای گذرای کیهانی در سریع‌ترین زمان ممکن به یک مأموریت حیاتی تبدیل خواهد شد.
این پیشرفت جدید در استفاده از هوش مصنوعی برای شناسایی سریع و دقیق امواج گرانشی، گامی مهم در جهت درک بهتر پدیده‌های کیهانی مانند ادغام ستاره‌های نوترونی است. با بهبود دقت و سرعت شناسایی، اخترشناسان می‌توانند اطلاعات بیشتری از این رویدادهای نادر و گذرا جمع‌آوری کنند و به سؤالات اساسی درباره ساختار جهان پاسخ دهند.
source
کلاس یوس