نقش پردازش تصویر و یادگیری عمیق در شناخت ستارگان و کهکشان های کشف شده

علم نجوم از دیرباز یکی از جذاب‌ترین حوزه‌های علمی برای بشر بوده است. اما با پیشرفت‌های فناورانه و افزایش حجم عظیم داده‌های نجومی، تحلیل و بررسی این داده‌ها چالشی بزرگ محسوب می‌شود. در این میان، هوش مصنوعی در نجوم به‌عنوان یک ابزار نوین و قدرتمند وارد شده است تا با استفاده از تکنیک‌هایی مانند پردازش تصویر و یادگیری عمیق، بتواند به منجمان در شناسایی، طبقه‌بندی و کشف اجرام آسمانی کمک کند و چشم‌انداز تازه‌ای به این علم ببخشد. در این مقاله، به بررسی کاربردهای مختلف هوش مصنوعی در نجوم، پروژه‌های مهم و تاثیرات آن بر آینده این علم می‌پردازیم.

از منجمین قدیم تا عصر هوش مصنوعی در نجوم

نجوم، از کهن‌ترین علم‌هایی است که بشر از آن بهره‌مند شده. قرن‌ها قبل، اجداد ما به تماشای درخشش ستارگان آسمان شب می‌پرداختند؛ درخششی که نیاکان ما آن را به‌عنوان یک تقویم، قطب‌نما، و حتی یک ابزار برای پیش‌بینی آینده استفاده می‌کردند. در آن زمان، تمدن‌هایی مانند مصری‌ها، یونانی‌ها، مایاها و ایرانی‌ها آسمان را رصد می‌کردند و به رسم اولین نقشه‌های ستاره‌ای می‌پرداختند.

پس از گذشت قرن‌ها و افزایش علم بشر، ابزارهایی همچون اسطرلاب، ذات‌الربع و تلسکوپ، علم نجوم را منقلب کردند. با گذشت بیشتر زمان، علم نجوم دقیق‌تر و گستردگی بیشتری پیدا کرد. کپرنیک، گالیله و نیوتن نمونه‌هایی از دانشمندانی بودند که پایه ریاضیات و فیزیک را به علم نجوم اضافه و اخترفیزیک را به‌وجود آوردند.

مدت‌ها بعد، یعنی در قرن بیستم، فناوری‌هایی مانند حسگرهای CCD منجر به پیشرفتی بزرگ در گرفتن تصاویر دیجیتال شدند. در این زمان بود که پروژه‌های عظیمی مثل Sloan و Hubble Space Telescope، هزاران ترابایت داده تصویری از ستارگان، کهکشان‌ها، سحابی‌ها و سیارات جمع‌آوری کردند. در واقع، چالش بشر از مشاهده نکردن، تبدیل به وجود داده‌های زیاد شد.

علاوه بر وجود داده‌های زیاد، آسمان شب هم به چشم انسان پیچیده‌تر شد. پس از قرن‌ها رصد آسمان، انسان علاوه بر مشاهده، به تحلیل، تشخیص، دسته‌بندی و تجزیه اجزای آسمان پرداخت. کشف کردن در آسمان پیچیده‌تر شد و تحلیل آن سخت‌تر. بعد از استفاده و اختراع ابزارهای متفاوت در علم نجوم، انسان تصمیم به استفاده از هوش مصنوعی گرفت؛ تصمیمی که انقلابی دیگر در نجوم رقم زد. امروز، هوش مصنوعی در نجوم انقلابی تازه به‌وجود آورده و به منجمان کمک می‌کند تا از میان داده‌های عظیم، کشف‌های دقیق‌تری انجام دهند.

در این مقاله، با هم به بررسی کاربرد دو حوزه هوش مصنوعی، یعنی پردازش تصویر و یادگیری عمیق، در شناسایی و کشف ستارگان و کهکشان‌ها می‌پردازیم. همین‌طور با چند پروژه در حال توسعه در این زمینه و مباحث تخصصی آن آشنا خواهیم شد.

پردازش تصویر و یادگیری عمیق؛ قلب هوش مصنوعی در نجوم

داده‌های موجود، با اینکه ارزشمند هستند، اما تحلیل دستی آن‌ها بسیار سخت و زمان‌گیر شده است. به همین دلیل، استفاده از پردازش تصویر و یادگیری عمیق به یکی از پایه‌های علم نجوم مدرن تبدیل شده است.

پردازش تصویر، به مجموعه‌ای از روش‌ها برای بهبود، فشرده‌سازی و استخراج اطلاعات از تصاویر گفته می‌شود. در اخترشناسی، این فناوری در کنار هوش مصنوعی در نجوم کاربردهای متنوعی دارد. چند مورد از کاربردهای رایج این فناوری در ادامه گفته شده است:

• افزایش کیفیت تصاویر نجومی، مخصوصاً در تصاویر کم‌نور و پر نویز
• حذف نویزهای CCD و اختلالات ناشی از جو زمین یا ابزار
• استخراج ویژگی‌ها از تصاویر مانند لبه‌های اجرام، ساختارهای کهکشانی، یا اشیای متحرک
• تشخیص تغییرات زمانی در تصاویر نجومی برای کشف اجرام گذرا

اگر بخواهیم مقداری بیشتر در مورد الگوریتم‌های پردازش تصویر در علم نجوم صحبت کنیم، الگوریتم فیلتر گوسی (Gaussian Filter) از جذاب‌ترین این الگوریتم‌ها است. این الگوریتم برای کاهش نویز و نرم‌سازی تصویر استفاده می‌شود. در واقع، این الگوریتم بر اساس تابع گوسی کار می‌کند؛ به این شکل که با وزن‌گیری پیکسلی، مقادیر پیکسل‌های اطراف را جایگزین می‌کند.

در اخترشناسی، اغلب تصاویری که گرفته می‌شود، دارای نویزهایی ناشی از جو یا سنسورهای CCD هستند. برای حل این مشکل، الگوریتم گوسی بسیار کاربردی است. در پردازش تصویر، الگوریتم‌های زیادی وجود دارند که مانند الگوریتم گوسی، بسیار کاربردی و جذاب هستند.

با اینکه پردازش تصویر به‌تنهایی بسیار کاربردی و مفید است، اما ورود یادگیری عمیق به علم نجوم، جذابیت قرارگیری هوش مصنوعی در کنار این علم را بسیار بیشتر می‌کند. یادگیری عمیق (Deep Learning)، شاخه‌ای دیگر از یادگیری ماشین است که با استفاده از شبکه‌های عصبی چند لایه، توانایی تشخیص الگوهای پیچیده را پیدا می‌کند. یادگیری عمیق، به‌عنوان یکی از پایه‌های اصلی هوش مصنوعی در نجوم، بسیار کاربردی و جذاب برای علاقه‌مندان به هوش مصنوعی و علم نجوم است.

از کاربردهای یادگیری عمیق در نجوم میتونیم به موارد زیر اشاره کنیم:

• طبقه‌بندی خودکار کهکشان‌ها با دقت بیش از ۹۵٪ بر اساس شکل و ساختار آن ها
• تشخیص ابرنواخترها و سایر پدیده‌های گذرا در میان حجم عظیم تصاویر
• تحلیل منحنی‌های نوری برای کشف سیارات فراخورشیدی
• بازسازی تصاویر آسیب‌دیده یا کم‌نور با استفاده از شبکه‌های GAN و Autoencoder

برای مثال، در پروژه‌ای به نام DeepAstro، مدل‌های یادگیری عمیق توانستند هزاران کهکشان را فقط در چند ثانیه، با دقتی بیشتر از محققان انسانی طبقه‌بندی کنند. از دیگر الگوریتم‌های کاربردی یادگیری عمیق در علم نجوم، شبکه‌های عصبی کانولوشنی (Convolutional Neural Network – CNN) هستند.

CNN ها به‌طور گسترده در طبقه‌بندی خودکار کهکشان‌ها، ستاره‌ها، سیارات، ابرنواخترها و سایر اجرام آسمانی از روی تصاویر نجومی استفاده می‌شوند. این شبکه‌ها به‌خوبی قادرند ساختارهای هندسی و تفاوت‌های ظریف بین انواع کهکشان‌ها یا اجرام را یاد بگیرند.

پروژه های درحال توسعه و ابزارهای موجود

در این قسمت، به سه پروژه در حال توسعه در حوزه نجوم و کاربرد هوش مصنوعی در آن‌ها می‌پردازیم:

ESA Euclid Mission (آژانس فضایی اروپا)

Euclid یک مأموریت فضایی در حال اجرا از سوی آژانس فضایی اروپا است که در سال ۲۰۲۳ پرتاب شد. هدف اصلی این پروژه، بررسی ماده تاریک و انرژی تاریک با استفاده از تلسکوپی پیشرفته است. در این پروژه، برای پردازش تصاویر با وضوح بالا از کهکشان‌ها، از الگوریتم‌های یادگیری ماشین و شبکه‌های عصبی کانولوشنی (CNN) برای حذف موج‌های گرانشی استفاده می‌شود.

NASA Frontier Development Lab – FDL

FDL یک برنامه تحقیقاتی وابسته به ناسا است که محققان حوزه‌های نجوم، داده‌کاوی، یادگیری عمیق و فیزیک را گرد هم می‌آورد تا چالش‌های پیچیده در نجوم و فضا را با ابزارهای هوش مصنوعی حل کنند. در این پروژه، از یادگیری عمیق و الگوریتم‌های یادگیری ماشین استفاده می‌شود. همچنین، برای پیش‌بینی طوفان‌های خورشیدی از مدل‌های بازگشتی (RNN) نیز بهره گرفته می‌شود.

Hubble & James Webb Space Telescope:

داده‌های تلسکوپ فضایی هابل و جیمز وب، بسیار پیچیده و حجیم هستند. به همین دلیل، ناسا از مدل‌های Deep Learning برای شناسایی کهکشان‌های دورافتاده، ابرنواخترها و شکل‌گیری ستارگان در تصاویر فراطیفی جیمز وب استفاده می‌کند.

ابزار های نرم‌افزاری مرتبط:

• AstroPy (کتابخانه متن‌باز برای پردازش داده‌های نجومی)
• Source Extractor in Python – برای شناسایی اجرام در تصویر
•  Deep Source Detection – برای آشکارسازی منابع نور بسیار ضعیف

آینده علم نجوم با هوش مصنوعی

از زمانی که اسطرلاب در دستان اجداد ما بوده تا امروز که پیشرفته‌ترین تلسکوپ‌ها در حال رصد آسمان هستند، انسان همیشه به یک چیز نیاز داشته است؛ آن چیزی نیست جز ابزار؛ نیازمندی ثابت بشر. علم نجوم به خودی خود جذابیتی وصف‌نشدنی دارد که با کمک هوش مصنوعی، جذابیت و زیبایی آن بسیار افزایش می‌یابد. روزبه‌روز، ابزارهایی که مورد استفاده قرار می‌گیرند پیشرفت می‌کنند و علم نجوم را زیباتر و جذاب‌تر می‌سازند.

تلسکوپ‌هایی همچون جیمز وب، هابل، نانسی گریس رومن، رصدخانه خورشیدی، آرسیبو و دیگر تلسکوپ‌ها در سراسر این کره خاکی، داده‌های فراوانی در طیف‌های مختلف جمع‌آوری می‌کنند و هوش مصنوعی به تحلیل و شناسایی آن‌ها می‌پردازد. این همان چیزی است که بشر را به جلو سوق می‌دهد.

جمع‌بندی پایانی

هوش مصنوعی در نجوم دیگر یک انتخاب نیست، بلکه یک ضرورت است. از کشف سیارات فراخورشیدی تا طبقه‌بندی کهکشان‌ها، هوش مصنوعی ابزار قدرتمندی است که افق‌های جدیدی را برای علم نجوم باز کرده است.