مقالات

ورا روبین به ما کمک می کند تا چیزهای عجیب و غریب و شگفت انگیزی که در منظومه شمسی اتفاق می افتد را کشف کنیم


رصدخانه ورا روبین (VRO) چیزی خاص در میان تلسکوپ ها است. این تلسکوپ مانند تلسکوپ بسیار بزرگ اروپایی یا تلسکوپ غول پیکر ماژلان برای وضوح زاویه ای بهتر و وضوح افزایش یافته طراحی نشده است. این دوربین حول یک دوربین دیجیتال عظیم ساخته شده است و به‌جای تمرکز بر روی اجسام منفرد، مکرراً مناظر گسترده و عمیق از کل آسمان را ثبت می‌کند.

با اسکن مکرر آسمان، VRO هر گونه تغییر یا گذرای نجومی را تشخیص می دهد. ستاره شناسان به این نوع رصد می گویند نجوم در حوزه زمان.

هنگامی که VRO چیزی گذرا را در آسمان شب می‌بیند، به طور خودکار سیگنال‌هایی را به رصدخانه‌های دیگر می‌فرستد که شی گذرا را با جزئیات مشاهده می‌کنند. این می تواند یک انفجار ابرنواختر دوردست، یک سیارک خطرناک در منظومه شمسی داخلی، یا چیزی که تغییری در آسمان ثبت می کند. وظیفه VRO این است که آن را تشخیص دهد و سپس باتوم را به رصدخانه های دیگر منتقل کند.

اما صدور هشدار به تلسکوپ های دیگر تنها یکی از کارهایی است که VRO انجام خواهد داد. برنامه اصلی نظارت VRO نامیده می شود کاوش ارثی فضا و زمان (LSST.) LSST کل آسمان شب موجود را با تصویربرداری هر شب از آن به مدت ده سال با دوربین عظیم 3.2 گیگاپیکسلی خود فهرست می کند. هر پنج ثانیه، دوربین به قسمتی از آسمان اشاره می کند و یک نوردهی 15 ثانیه ای را ثبت می کند.

این تلاش یک دهه، حجم عظیمی از داده ها را تولید خواهد کرد. این به 200000 تصویر در سال نیاز دارد که معادل 1.28 پتابایت داده است. داده های زیادی وجود خواهد داشت که پروژه VRO شامل یک خط لوله داده جدید است که از سایت خود در شمال شیلی به ایالات متحده باز می گردد. هیچ راهی وجود ندارد که انسان بتواند تمام داده ها را پردازش کند، بنابراین یادگیری ماشینی نقش بزرگی در پردازش آن ها و یافتن چیزهای پنهان دارد.

نویسندگان یک مقاله تحقیقاتی جدید روش جدیدی را برای رصدخانه برای تشخیص ناهنجاری ها در حجم وسیعی از داده هایی که تولید می کند، ایجاد کرده اند. کاغذ است “عجیب و شگفت انگیز در منظومه شمسی ما: جستجوی تصادفی در مطالعه میراث مکان و زمان.برای انتشار در مجله Astronomical پذیرفته شده است و نویسنده اصلی برایان راجرز از گروه فیزیک دانشگاه آکسفورد است.

فهرست اشیاء و رویدادهایی که VRO مشاهده خواهد کرد شامل تمام چیزهایی است که انتظار داریم ببینیم. همراه با ابرنواخترها و سیارک‌ها، VRO می‌تواند سیاره 9 گریزان را که ممکن است در دوردست‌های منظومه شمسی در کمین باشد، شناسایی کند. همچنین کیلوبایت ها، انفجارهای پرتو گاما، اختروش های متغیر، AGN ها و حتی اجرام بین ستاره ای (ISO) مانند Oumaumua و Borisov را مشاهده خواهد کرد.

اما یافتن آن اشیا در تمام آن داده ها نیازمند یادگیری ماشینی است. نویسندگان یک نوع شبکه عصبی را برای پردازش داده ها توسعه داده اند. شبکه عصبی نوعی هوش مصنوعی است که نحوه عملکرد مغز انسان را تقلید می کند. از شبکه ای لایه ای از گره ها یا نورون های فردی استفاده می کند که تا حدودی شبیه مغز انسان هستند.

به عبارت ساده، شبکه های عصبی زیرمجموعه ای از یادگیری ماشینی هستند که زیرمجموعه ای از هوش مصنوعی است.  بدون این ابزار، ستاره شناسان هیچ امیدی به پردازش تمام داده هایی که VRO تولید می کند، ندارند.  اعتبار تصویر: ایوان گوف
به عبارت ساده، شبکه های عصبی زیرمجموعه ای از یادگیری ماشینی هستند که زیرمجموعه ای از هوش مصنوعی است. بدون این ابزار، ستاره شناسان هیچ امیدی به پردازش تمام داده هایی که VRO تولید می کند، ندارند. اعتبار تصویر: ایوان گوف

نویسندگان نوع خاصی از شبکه عصبی به نام an را توسعه دادند رمزگذار خودکار. رمزگذارهای خودکار می توانند عملکرد بسیار مفیدی را انجام دهند. آنها داده‌ها را می‌گیرند، آن‌ها را کدگذاری یا فشرده می‌کنند، سپس داده‌ها را به خود نسخه بازیابی می‌کنند. با انجام این کار، رمزگذار خودکار می تواند “یاد بگیرد” که کدام جنبه از داده ها مرتبط و کدام نویز هستند. سپس می توان سر و صدا را دور انداخت.

محققان در مقاله خود می نویسند: “ما روش جدیدی را برای تشخیص ناهنجاری ها در داده های اجرام منظومه شمسی در آماده سازی برای بررسی میراث فضا و زمان ارائه می دهیم. ما یک رمزگذار خودکار عمیق برای تشخیص ناهنجاری آموزش می دهیم و از آنچه یاد می گیرد استفاده می کنیم فضای نهفته برای جستجوی سایر اشیاء مورد علاقه.»

این نمودار ساده معماری کلی رمزگذار خودکار را نشان می دهد.  ورودی را می گیرد، آن را در یک نمایش پنهان ورودی رمزگذاری می کند، سپس آن را رمزگشایی می کند و به خروجی می دهد.  اعتبار تصویر: راجرز و همکاران.  2024
این نمودار ساده معماری کلی رمزگذار خودکار را نشان می دهد. ورودی را می گیرد، آن را در یک نمایش پنهان ورودی رمزگذاری می کند، سپس آن را رمزگشایی می کند و به خروجی می دهد. اعتبار تصویر: راجرز و همکاران. 2024

رمزگذار خودکار نویسندگان بر اساس یافتن ناهنجاری هایی مانند اجرام بین ستاره ای (ISO) است. اگر رمزگذار خودکار بتواند آنها را شناسایی کند، به این معنی است که حجم عظیمی از داده های LSST قابل مدیریت تر می شود. آنها توضیح می‌دهند: «ما کارایی رویکرد رمزگذار خودکار را با یافتن مثال‌های جالبی مانند اجرام بین ستاره‌ای نشان می‌دهیم و نشان می‌دهیم که نمونه‌های بیشتری از کلاس‌های جالب را می‌توان با استفاده از رمزگذار خودکار پیدا کرد.

آنها رمزگذار خودکار خود را بر روی شبیه سازی داده های 10 ساله ای که LSST جمع آوری خواهد کرد، آزمایش کردند. با رسیدن اطلاعات واقعی LSST، آنها قصد دارند به آزمایش رمزگذار خودکار خود و تقویت آن ادامه دهند. آنها می نویسند: «در عین حال، این کار تلاشی برای تعیین کمیت بازده احتمالی اجسام غیرعادی نمی کند، بلکه صرفاً نشان می دهد که ما می توانیم آنها را در یک بررسی بزرگ از نوع تولید شده توسط LSST پیدا کنیم.

چیزی که نویسندگان آن را «از دست دادن بازسازی» می‌نامند، مانند ناهنجاری‌ها، نقش بزرگی در کار بازی می‌کند.

هنگام کار با داده های شناخته شده و شبیه سازی شده، محققان دقت رمزگذار خودکار را اندازه گیری می کنند. آنها به سادگی خروجی را در مقابل ورودی اندازه گیری کردند. از دست دادن بازسازی معیاری است که نشان می دهد رمزگذار خودکار چقدر دقیق است و می تواند کمیت شود.

این شکل تحقیقاتی نشان می‌دهد که چگونه یک رمزگذار خودکار می‌تواند تلفات بازسازی را در فضای پنهان خود اندازه‌گیری کند.  نتایج بازسازی 3.1 میلیون جرم منظومه شمسی را در فضای کاهش یافته نشان می دهد.  نقاط آبی که کوچک هستند نشان دهنده اشیاء با افت بازسازی کم هستند.  اجسام غیرعادی به صورت نقاط بزرگ شده با رنگ های قرمزتر نشان داده می شوند. "ناهنجاری های 0.01% بالا برای این نمودار بزرگ شده است.  آنها دور از اکثر اجسام عادی به رنگ آبی قرار دارند،" نویسندگان می نویسند  اعتبار تصویر: راجرز و همکاران.  2024
این شکل تحقیقاتی نشان می‌دهد که چگونه یک رمزگذار خودکار می‌تواند تلفات بازسازی را در فضای پنهان خود اندازه‌گیری کند. نتایج بازسازی 3.1 میلیون جرم منظومه شمسی را در فضای کاهش یافته نشان می دهد. نقاط آبی که کوچک هستند نشان دهنده اشیاء با افت بازسازی کم هستند. اجسام غیرعادی به صورت نقاط بزرگ شده با رنگ های قرمزتر نشان داده می شوند. “0.01٪ ناهنجاری های بالا برای این برنامه افزایش یافته است. آنها
نویسندگان می نویسند که دور از اکثر اجسام عادی به رنگ آبی قرار دارند. اعتبار تصویر: راجرز و همکاران. 2024

ناهنجاری ها اشیاء غیرعادی هستند که مانند ISO برجسته می شوند. از شکل بالا، نویسندگان ده ناهنجاری برتر رتبه بندی شده بر اساس از دست دادن بازسازی را شناسایی کردند. برای هر یک از این ده نفر، بیست همسایه نزدیک خود را شناسایی کردند. اینها در منظومه شمسی همسایه نیستند. آنها در فضای نهفته همسایه هستند.

محیط های شی با جنبه های داده مرتبط هستند. آنها محله های داده ای هستند. به عنوان مثال، یکی از محله ها بر اساس کمیت های اندازه گیری شده است. دیگری بر اساس گریز از مرکز مداری است و دیگری بر اساس اجرام غیرعادی نزدیک مشتری است.

هر یک از این پانل ها خروجی کدگذاری خودکار متفاوتی برای ده ناهنجاری برتر و داده های مجاور آنها هستند.  آنهایی که آبی هستند اشیاء عادی هستند و نقاط رنگی نشان می دهد که چگونه ده ناهنجاری برتر با آنها مرتبط است.  در این شکل ISO ها شماره 6 هستند که با رنگ قرمز نشان داده شده اند.  نکته مهم این است که ناهنجاری ها به راحتی از اجسام عادی تشخیص داده می شوند و با ویژگی های خاصی مانند خروج از مرکز مداری یا بزرگی گروه بندی می شوند.  اعتبار تصویر: راجرز و همکاران.  2024
هر یک از این پانل ها خروجی کدگذاری خودکار متفاوتی برای ده ناهنجاری برتر و داده های مجاور آنها هستند. آنهایی که آبی هستند اشیاء عادی هستند و نقاط رنگی نشان می دهد که چگونه ده ناهنجاری برتر با آنها مرتبط است. در این شکل ISO ها شماره 6 هستند که با رنگ قرمز نشان داده شده اند. نکته مهم این است که ناهنجاری ها به راحتی از اجسام عادی تشخیص داده می شوند و با ویژگی های خاصی مانند خروج از مرکز مداری یا بزرگی گروه بندی می شوند. اعتبار تصویر: راجرز و همکاران. 2024

نجوم در حال تغییر است. رصدخانه ها و تلسکوپ های ما به قدری قدرتمند و خودکار می شوند که در حال ایجاد جهان وسیعی از داده ها هستند. پرداختن به داده ها بدون کمک خودکار فراتر از توانایی های جامعه نجومی است. با آموزش رمزگذار خودکار برای تشخیص ناهنجاری ها، می تواند داده های LSST را غربال کند و ناهنجاری ها را پرچم گذاری کند.

نویسندگان به سرعت به این نکته اشاره می کنند که رمزگذار خودکار کاملاً خودکار نیست. هنوز به کمک انسان نیاز دارد.

آنها نوشتند: «پس از قدردانی از کاستی‌های روش‌های بدون نظارت مستقل، ما قدرت بازخورد انسانی را در تشخیص ناهنجاری <> با استفاده از یک رویکرد نظارت شده نشان دادیم. استفاده از بازخورد انسانی می تواند ارتباط، دقت و دقت سیستم تشخیص ناهنجاری را افزایش دهد.

ناگفته نماند که رصدخانه ورا روبین درک ما را از منظومه شمسی و چیزهای بسیار فراتر از آن تغییر خواهد داد. اولین چراغ آن برای ژانویه 2025 برنامه ریزی شده است. آزمایش و راه اندازی تمام تجهیزات مدتی طول می کشد، اما مدتی پس از آن داده ها شروع به جریان خواهند کرد.

هنگامی که این کار انجام شود، هیچ توقفی وجود نخواهد داشت و ستاره شناسان به ابزارهایی مانند رمزگذار خودکار برای کمک به یافتن ناهنجاری ها نیاز خواهند داشت.

محققان در مقاله خود نوشتند: «با قرار دادن ناهنجاری‌های مناسب در دستان درست، می‌توانیم ارزش داده‌های جمع‌آوری‌شده توسط LSST را چند برابر کنیم و مطالعات بعدی بالقوه جالب‌ترین اشیاء یافت شده در این نظرسنجی را تسریع کنیم». ما نشان داده‌ایم که رمزگذارهای خودکار عمیق می‌توانند این نقش را به‌عنوان یک مدل تشخیص بدون نظارت، که در مقیاس LSST انجام می‌دهند، ایفا کنند و می‌توانند تشخیص ناهنجاری کارآمد را برای جالب‌ترین اجرام در منظومه شمسی فعال کنند.



Source link

نوشته های مشابه

دکمه بازگشت به بالا