Wat kan kunstmatige intelligentie leren over het universum?

Kunstmatige intelligentie en machinaal leren zijn alomtegenwoordig geworden, met toepassingen variërend van data-analyse, cyberbeveiliging, medicijnontwikkeling, muziekcompositie en artistieke uitvoeringen.

De afgelopen jaren zijn er ook grote taalmodellen (LLM's) ontstaan, waardoor menselijke interactie en schrijven aan de lange lijst met toepassingen zijn toegevoegd. Dit geldt ook voor ChatGPT, een LLM-programma dat een grote impact heeft gehad sinds de introductie minder dan twee jaar geleden. Deze toepassing heeft tot veel discussie (en controverse) geleid over het mogelijke gebruik en de impact van kunstmatige intelligentie.

Ook de astronomie heeft er enorm van geprofiteerd, omdat machinaal leren wordt gebruikt om enorme hoeveelheden gegevens te doorzoeken om te zoeken naar tekenen van planetaire transits, om atmosferische interferentie te corrigeren en om patronen in de ruis te vinden. Volgens een internationaal team van astrofysici is dit misschien nog maar het begin van wat kunstmatige intelligentie in de astronomie kan doen.

In een recente studie heeft het team een ​​generatief, vooraf getraind transformatormodel (GPT) verfijnd met behulp van observaties van astronomische objecten. Daarbij hebben ze met succes aangetoond dat GPT-modellen effectief wetenschappelijk onderzoek kunnen ondersteunen.

De studie werd uitgevoerd door het International Center for Relativistic Astrophysics Network (ICRANet), een internationaal consortium bestaande uit onderzoekers van het International Center for Relativistic Astrophysics (ICRA), het National Institute for Astrophysics (INAF) en de University of Science and Technology. in de Verenigde Staten. China, Chinese Academie van Wetenschappen, Instituut voor Hoge Energiefysica (CAS-IHEP), Universiteit van Padua, Isfahan Universiteit voor Technologie en Ferreira Universiteit.

zij papier“Kan AI ons universum begrijpen? Testen van GPT-fijnafstemming met astrofysische gegevens”, werd onlangs gepost op arXiv Geavanceerde printserver.

Zoals eerder vermeld, vertrouwen astronomen sterk op machine learning-algoritmen om de enorme hoeveelheid gegevens te doorzoeken die door moderne telescopen en instrumenten zijn verzameld. Deze praktijk begon ongeveer tien jaar geleden en is sindsdien met grote sprongen gegroeid tot het punt waarop AI in het hele onderzoeksproces wordt geïntegreerd. Zoals ICRA-president en hoofdauteur Yu Wang via e-mail aan Universe Today vertelde:

“Astronomie is altijd gedreven door data, en astronomen behoorden tot de eersten die machinaal leren adopteerden en gebruikten. Nu is machinaal leren geïntegreerd in het hele astronomische onderzoeksproces, van productie en controle tot onderzoek op de grond en in de ruimte. Telescopen (bijvoorbeeld het verbeteren van de prestaties van adaptieve optische systemen, het optimaliseren van de initiatie van specifieke acties (triggers) van satellieten onder bepaalde omstandigheden, enz.), data-analyse (bijvoorbeeld ruisonderdrukking, data-attributie, classificatie, simulatie, enz.) en creatie en validatie van theoretische modellen (bijvoorbeeld het testen van gewijzigde zwaartekracht, het beperken van de toestandsvergelijking voor neutronensterren, enz.).”

Data-analyse blijft de meest populaire van deze toepassingen, omdat dit het gemakkelijkste gebied is om machine learning te integreren. Traditioneel analyseren tientallen onderzoekers en honderden burgerwetenschappers de hoeveelheden gegevens die door een monitoringcampagne worden geproduceerd.

Dit is echter niet praktisch in een tijdperk waarin moderne telescopen dagelijks terabytes aan gegevens verzamelen. Dit omvat onderzoeken naar de hele hemel, zoals de Very Large Sky Survey (VLASS) en de vele fasen van de Sloan Digital Sky Survey (SDSS).

Tot nu toe zijn LLM's slechts sporadisch toegepast op astronomisch onderzoek, omdat ze relatief nieuw zijn. Maar volgens voorstanders als Wang had deze revolutie een enorme maatschappelijke impact en was het potentieel ervan minimaal gelijk aan een ‘industriële revolutie’.

Wat de bovengrens betreft, verwacht Wang dat deze aanzienlijk zal variëren en mogelijk zal leiden tot de “verlichting of vernietiging” van de mensheid. In tegenstelling tot de Industriële Revolutie ligt het tempo van verandering en integratie echter veel hoger voor AI, wat vragen oproept over hoe ver de adoptie ervan zal gaan.

Om het potentieel ervan in de astronomie te bepalen, zeiden Wang, hebben hij en zijn collega's een vooraf getraind GPT-model aangenomen en dit afgestemd om astronomische verschijnselen te identificeren:

“OpenAI biedt vooraf getrainde modellen, en wat we deden was het verfijnen, wat inhoudt dat we een aantal parameters wijzigen op basis van het originele model, waardoor het astronomische gegevens kan herkennen en resultaten kan berekenen op basis van die gegevens. Dit lijkt een beetje op wat OpenAI ons biedt een student. Dit leidde hem op tot een afgestudeerde student in de astronomie.

“We hebben beperkte gegevens met een bescheiden nauwkeurigheid geleverd en GPT minder vaak getraind dan reguliere modellen. De resultaten waren echter indrukwekkend en bereikten een nauwkeurigheid van ongeveer 90%. Dit hoge nauwkeurigheidsniveau is te danken aan de sterke basis van GPT, die al begrijpt gegevensverwerking en logisch redeneervermogen, naast communicatieve vaardigheden.”

Om hun model te verbeteren, heeft het team waarnemingen gedaan van verschillende astronomische verschijnselen, afgeleid uit verschillende catalogi. Dit omvatte 2.000 SDSS-monsters van quasars, sterrenstelsels, sterren en quasars met een brede absorptielijn (elk 500). Ze combineerden ook waarnemingen van korte en lange gammastraaluitbarstingen (GRB's), sterrenstelsels, sterren en simulaties van zwarte gaten. Toen ze werden getest, classificeerde hun model met succes verschillende verschijnselen, maakte onderscheid tussen soorten quasars, leidde de afstand daartussen af ​​op basis van roodverschuiving, en mat de draaiing en kanteling van zwarte gaten.

“Dit werk laat in ieder geval zien dat LLM’s in staat zijn astronomische gegevens te verwerken,” zei Wang. “Bovendien is het vermogen van het model om met verschillende soorten astronomische gegevens om te gaan een vermogen dat andere gespecialiseerde modellen niet hebben. We hopen dat MSc-studenten in staat zullen zijn verschillende soorten gegevens te integreren en vervolgens gemeenschappelijke basisprincipes te identificeren om ons te helpen de gegevens te begrijpen Natuurlijk is dit een taak.” “Moeilijk en niet een taak die astronomen alleen kunnen volbrengen.”

Natuurlijk geeft het team toe dat de dataset waarmee ze experimenteerden erg klein was vergeleken met de dataoutput van moderne observatoria. Dit geldt vooral voor faciliteiten van de volgende generatie, zoals het Vera C. Rubin Observatorium, dat onlangs de LSST-camera heeft aangeschaft, de grootste digitale camera ter wereld!

Zodra Rubin operationeel is, zal het een 10-jarige Legacy Survey of Space and Time (LSST) uitvoeren, die naar verwachting 15 terabytes aan gegevens per nacht zal produceren! Wang zegt dat het voldoen aan de eisen van toekomstige campagnes verbeteringen en samenwerking tussen observatoria en gespecialiseerde AI-bedrijven zal vereisen.

Er zullen in de nabije toekomst echter zeker meer LLM-aanvragen voor astronomie zijn. Dit is niet alleen een potentiële ontwikkeling, maar een noodzakelijke ontwikkeling gezien de enorme hoeveelheid gegevens die tegenwoordig door astronomische studies worden geproduceerd. Omdat dit in de nabije toekomst waarschijnlijk aanzienlijk zal toenemen, zal AI waarschijnlijk onmisbaar worden in het vakgebied.