تتحول مشكلة البيانات في علم الفلك إلى فرصة للذكاء الاصطناعي
يلعب التعلم الآلي دورًا أكبر في علم الفلك، ونتيجة جديدة عن الكواكب الخارجية توضح السبب. فقد أفاد باحثون يستخدمون أداة تُدعى RAVEN بأكثر من 100 كوكب خارج شمسي تم التحقق منه حديثًا وأكثر من 2000 مرشح تم تدقيقه من بيانات جُمعت بواسطة القمر الصناعي الماسح للكواكب الخارجية العابرة التابع لناسا، أو TESS. وتشير هذه الدراسة إلى مستقبل تصبح فيه أنظمة الذكاء الاصطناعي ضرورية لتحويل المسوحات السماوية الهائلة إلى اكتشافات علمية قابلة للاستخدام.
التحدي هو الحجم. فالمراصد الحديثة والمسوح الآلية تولد بيانات أكثر مما يمكن للباحثين البشر فحصه يدويًا بشكل واقعي. ويعرض النص المصدر هذه المشكلة على نطاق واسع من خلال الإشارة إلى مرصد فيرا روبين، الذي يُتوقع أن ينتج مسح Legacy Survey of Time and Space التابع له ما يصل إلى 20 تيرابايت من البيانات كل ليلة. ويعد TESS ومهمات الكواكب الخارجية السابقة مثل Kepler أصغر من هذه الناحية، لكنها لا تزال تنتج أرشيفات ضخمة تظل ذات جدوى علمية طويلة بعد انتهاء الرصد الأولي.
هذا هو السياق الذي يأتي فيه RAVEN، وهو اختصار لـ RAnking and Validation of ExoplaNets. ويصفه الباحثون بأنه خط أنابيب للفحص والتحقق صُمم خصيصًا لمرشحي الكواكب الخارجية من TESS. وبدلاً من استبدال علم الفلك، يهدف النظام إلى مساعدة العلماء على التعامل مع الحجم الهائل لإشارات العبور المحتملة وتقليصها إلى اكتشافات كوكبية أكثر ثقة.
ما الذي وجده الفريق
في الدراسة المعلنة، طبق الباحثون RAVEN على بيانات عبور TESS لأكثر من مليوني نجم. والورقة الناتجة، المنشورة في Monthly Notices of the Royal Astronomical Society، تحمل عنوان “Automatic search for transiting planets in TESS-SPOC FFIs with RAVEN: over 100 newly validated planets and over 2000 vetted candidates.” وتُعرَّف الكاتبة الرئيسية Marina Lafarga Magro في النص المصدر بأنها باحثة ما بعد الدكتوراه في جامعة Warwick.
الأرقام الرئيسية مهمة بحد ذاتها. فالتأكد من أكثر من 100 كوكب لم يكن مؤكداً سابقًا يمثل عائدًا علميًا كبيرًا من معالجة البيانات الأرشيفية، كما أن أكثر من 2000 مرشح تم تدقيقه يوفر مجموعة كبيرة لأعمال المتابعة المستقبلية. وتوضح هذه الأرقام معًا مقدار القيمة الذي لا يزال من الممكن استخراجه من الرصدات التي جُمعت بالفعل عندما تتحسن أدوات الترشيح.
ركزت الدراسة على الكواكب ذات الفترات المدارية بين 0.5 و16 يومًا. ويؤكد هذا النطاق على العوالم القريبة جدًا من نجومها، بما في ذلك الكواكب فائقة القصر في الفترة المدارية التي تكمل دورة كاملة في أقل من يوم أرضي واحد. وهذه ليست المرشحين الأكثر شبهًا بالأرض في المخيلة العامة، لكنها غنية علميًا لأن عبورها المتكرر يجعل اكتشافها وتوصيفها أسهل في بيانات المسح.
لا تزال مشكلة الإيجابيات الكاذبة محورية
أحد العوائق الرئيسية في اكتشاف الكواكب الخارجية هو أن كثيرًا من إشارات العبور الظاهرة ليست كواكب على الإطلاق. وتسلط المادة المصدر الضوء على عدة مصادر شائعة للإيجابيات الكاذبة، بما في ذلك النجوم الثنائية الكسوفية، والتغير النجمي، والأنماط الجهازية، والأنظمة الهرمية حيث تحاكي نجوم الخلفية أو النجوم القريبة عبور كوكب. ويعد التمييز بين الكواكب الحقيقية وهذه المقلدات من أصعب المهام العملية في هذا المجال.
وهنا يمكن أن يكون التعلم الآلي مفيدًا بشكل خاص. فالنموذج المصمم جيدًا يستطيع ترتيب إشارات المرشحين وتقييمها عبر مجموعات بيانات هائلة بشكل أكثر اتساقًا من الفرز اليدوي وحده. وفي هذه الحالة، لا يعمل RAVEN على البحث الأعمى عن أنماط مثيرة للاهتمام فقط. بل هو مدمج في خط أنابيب للتحقق يهدف إلى فحص المرشحين وتقليل عبء الإيجابيات الكاذبة قبل أن يخصص علماء الفلك وقتًا ثمينًا من التلسكوبات لمتابعة أعمق.
ومع ذلك، فإن القيمة العلمية للذكاء الاصطناعي في علم الفلك تعتمد على الصرامة، لا على الجدة. يمكن لأدوات التعلم الآلي تسريع الاكتشاف، لكن فقط إذا كانت شفافة بما يكفي وموثوقة إحصائيًا بما يكفي لدعم عمل تحقق حقيقي. إن صياغة هذه الدراسة حول مرشحين تم تدقيقهم وكواكب تم التحقق منها حديثًا، بدلًا من الاكتشافات التخمينية، تشير إلى استخدام أكثر نضجًا للذكاء الاصطناعي مما توحي به أحيانًا العناوين المثيرة.
لماذا يهم هذا خارج نطاق الكواكب الخارجية
نتيجة الكواكب الخارجية هي جزء من تحول أوسع في الممارسة العلمية. فقد كان علم الفلك منذ زمن بعيد مجالًا كثيف البيانات، لكن حجم وتعقيد مجموعات بيانات المسح يدفعان الباحثين الآن نحو الأساليب الآلية كضرورة. ويصبح الذكاء الاصطناعي جزءًا من خط أدوات القياس، ولو بالاسم فقط. فهو لا يبني التلسكوب، لكنه يساعد بشكل متزايد في تحديد ما الذي وجده التلسكوب.
وهذا مهم خصوصًا مع زيادة وتيرة الرصد في المرافق من الجيل التالي. فعندما ترتفع أحجام البيانات الليلية أو على مستوى المهمة إلى درجة يصبح فيها خط الاكتشاف المعتمد كثيرًا على المراجعة اليدوية عنق زجاجة، تعد أدوات الذكاء الاصطناعي مثل RAVEN بنموذج مختلف: البشر ما زالوا يحددون الأهداف العلمية، ويتحققون من الأطر، ويفسرون النتائج، لكن الآلات تقوم بجزء أكبر بكثير من الفرز والترتيب المتكرر الذي كان سيغرق الإشارة في الضجيج.
وفي علم الكواكب الخارجية، قد يعني ذلك ليس فقط المزيد من الاكتشافات، بل أيضًا صورة إحصائية أفضل لأنواع الكواكب الموجودة حول أنواع مختلفة من النجوم. ويشير النص المصدر إلى أن العمل يساهم أيضًا في تقدير مدى احتمال العثور على بعض الكواكب حول نجوم شبيهة بالشمس. وهذا النوع من الرؤية على مستوى التجمعات هو أحد العوائد طويلة الأجل لمعالجة أرشيفات المسح بشكل أكثر فعالية.
بيانات قديمة، عائد جديد
هناك أيضًا درس استراتيجي في هذه النتيجة: يمكن للخوارزميات الأفضل أن تجعل مجموعات البيانات القديمة ذات قيمة جديدة. فالمهمات الفضائية مكلفة ومحدودة، لكن الرصدات التي تجمعها يمكن أن تستمر في توليد الاكتشافات عندما تتحسن أساليب التحليل. وبهذا المعنى، لا يسرع الذكاء الاصطناعي العلم الجديد فحسب. بل يمدد العمر العلمي للمهمات السابقة.
صُمم TESS لاكتشاف الكواكب الخارجية العابرة من خلال مراقبة الانخفاضات الصغيرة في ضوء النجوم. وتبقى هذه الطريقة الأساسية دون تغيير. ما يتغير هو مدى كفاءة الباحثين في تمشيط البيانات وفصل الكواكب الحقيقية عن النظائر المضللة. وإذا ثبت أداء RAVEN المعلن عند الاستخدام الأوسع، فسيدعم ذلك فكرة أن الذكاء الاصطناعي أصبح جزءًا قياسيًا من البنية التحتية للاكتشاف الفلكي.
والأهمية الأعمق واضحة. فالسماء لا تكبر، لكن قدرة علم الفلك على قراءتها تكبر. وتُظهر أدوات مثل RAVEN أن بعض الاكتشافات الكبرى المقبلة قد لا تأتي فقط من تلسكوبات جديدة، بل من طرق جديدة لفهم البيانات التي نملكها بالفعل.
هذه المقالة مستندة إلى تقرير من Universe Today. اقرأ المقال الأصلي.
