Binabago ng AI ang Pag-uuri sa Kosmos: 27 Milyong Bagay sa Kalawakan, Namapa ng Neural Network

Nagbubukas ang AI ng Bagong Panahon sa Pagmamapa sa Uniberso

Sa loob ng maraming siglo, pinagmasdan ng mga astronomo ang kalangitan sa gabi upang lutasin ang mga hiwaga ng mga bituin, galaksiya, at malawak na ugnayang kosmiko na nagdurugtong sa mga ito. Ngayon, hamon na ang napakalawak na laki ng uniberso: paano natin uuriin at uunawain ang bilyun-bilyong bagay sa kalawakan kung halos hindi makahabol ang mga tradisyonal na pamamaraan? Sa isang malaking pagsulong, nakabuo ang pangkat ng mga siyentipiko mula sa Yunnan Observatories ng China ng modelong artificial intelligence (AI) na nakapag-uri na ng mahigit 27 milyong bagay sa kosmos—mga bituin, galaksiya, at quasar—sa malawak na bahagi ng kalangitan. Mahalagang yugto ito sa astronomiya at nangangakong babaguhin kung paano natin sinasaliksik at inuunawa ang uniberso.

Bakit Napakahirap Uriin ang Kosmos

Sa kasalukuyan, dumaranas ang modernong astronomiya ng pagsabog ng datos. Kumukuha ng mga larawan at sukat ng bilyun-bilyong bagay ang mga makabagong teleskopyo at sarbey sa kalangitan, gaya ng Sloan Digital Sky Survey (SDSS), Kilo-Degree Survey (KiDS), at misyong Euclid ng European Space Agency. Nagdaragdag ng terabytes ng datos ang bawat bagong sarbey, na naglalantad ng mga galaksiyang bilyun-bilyong light-year ang layo, mga supernova, at masalimuot na kayarian ng ugnayang kosmiko.

Tradisyonal na umaasa ang mga astronomo sa spectroscopy—pagsusuri sa liwanag mula sa isang bagay upang matukoy ang komposisyon, distansiya, at uri nito. Tumpak ang spectroscopy ngunit mabagal at nangangailangan ng maraming mapagkukunan. Sa dami ng datos na makukuha ngayon, imposibleng makahabol ang mga tao sa pamamagitan ng manwal o kahit bahagyang awtomatikong mga pamamaraan. Dahil dito, higit nang umaasa ang mga astronomo sa mga photometric survey, na kumukuha ng mga larawan sa iba’t ibang kulay (wavelength) ngunit walang detalyadong impormasyong nakukuha sa spectra. Mas mabilis man, maaaring malabo ang kahulugan ng photometric data: madalas na nagmumukhang maliliit at maningning na tuldok ang malalayong galaksiya, bituin, at quasar, kaya mahirap silang pag-ibahin batay lamang sa hugis.

Mga Limitasyon ng Pag-uuri ng Tao at Tradisyonal na Makina

Kabilang sa mga pagsisikap na awtomatikuhin ang pag-uuri ang mga klasikong algorithm ng machine learning—gaya ng decision tree at random forest—at, kamakailan, ang mga neural network ng deep learning. Nakamit ng mga pamamaraang ito ang kahanga-hangang katumpakan, ngunit may mga hamon pa rin, lalo na sa malalabo o malalayong bagay, o sa mga rehiyong natatakpan ng kosmikong alikabok. Gaya ng natuklasan sa isang pag-aaral ng University of La Serena sa Chile, maaaring mahirapan ang mga modelo ng machine learning sa mahihirap na rehiyon gaya ng "zone of avoidance," kung saan hinaharangan ng alikabok ang malaking bahagi ng nakikitang liwanag. Maaari itong magdulot ng mataas na antas ng pagkakamali maliban kung sinanay ang mga modelo gamit ang sari-sari at maraming-wavelength na datos.

Paano Gumagana ang Modelong AI ng China

Malaking pagsulong ang bagong modelong AI na binuo ng pangkat ng Yunnan Observatories. Di-gaya ng mga naunang paraang umaasa lamang sa hitsura (morphology) o kulay (spectral energy distribution, o SED) ng mga bagay, sabay na pinoproseso ng neural network na ito ang dalawang uri ng impormasyon. Dahil sa disenyong may dalawang input, natutukoy ng AI ang maliliit na pagkakaiba ng mga bituin, galaksiya, at quasar na maaaring hindi mapansin kung hindi.

Sinanay ang modelo gamit ang mga bagay na kinumpirma sa pamamagitan ng spectroscopy mula sa ika-17 paglalabas ng datos ng SDSS—pamantayang ginto sa pag-uuri sa astronomiya. Pagkatapos, sinubukan ito sa mga larawan mula sa KiDS survey, na nakatuon sa mga bagay na mas maliwanag sa r = 23 magnitude at sumasaklaw sa humigit-kumulang 1,350 square degree ng kalangitan. Ang kinalabasan: mahigit 27 milyong bagay ang nauri nang napakabilis at tumpak.

Pagpapatunay at Katumpakan sa Iba't Ibang Sarbey

Upang matiyak ang pagiging maaasahan, pinatunayan ng pangkat ang modelo gamit ang datos mula sa iba pang malalaking sarbey. Nang gamitin ito sa 3.4 milyong bagay mula sa misyon ng Gaia—na karamihan ay mga bituin na alam ang galaw—tamang natukoy ng AI na mga bituin ang 99.7% ng mga ito. Gayundin ang antas ng tagumpay sa Galaxy And Mass Assembly (GAMA) survey, kung saan wastong nauri ang 99.7% ng mga galaksiya at quasar. Sa ilang pagkakataon, naitama pa ng AI ang mga dating pagkakamali at binago ang pagkakauuri ng mga bagay na namarkahang mali sa mas lumang mga katalogo.

Ipinakikita ng mataas na antas ng katumpakang ito ang tibay ng modelo at potensiyal nitong pahusayin ang mga umiiral na astronomikal na database, kaya mahalaga itong kasangkapan para sa komunidad ng astronomiya.

AI at ang Pandaigdigang Karera sa Pagmamapa sa Uniberso

Bahagi ng mas malawak na kalakaran ang tagumpay ng China: nag-uunahan ang mga astronomo sa buong mundo sa pagbuo ng mga kagamitang AI na kayang humawak sa napakaraming datos mula sa mga teleskopyo ng susunod na henerasyon. Halimbawa, nakapagmapa na ang misyon ng Euclid ng European Space Agency ng 26 milyong galaksiya sa maliit na bahagi pa lamang ng nakaplanong saklaw nito. Sa susunod na anim na taon, kukunan ng Euclid ng larawan ang mahigit 1.5 bilyong galaksiya at magpapadala ng humigit-kumulang 100 gigabytes ng datos araw-araw. Gayundin, inaasahang makadidiskubre ang paparating na Vera Rubin Observatory ng milyun-milyong bagong supernova at iba pang panandaliang pangyayari. Samantala, inaawtomatiko na ng mga kagamitang AI gaya ng Bright Transient Survey Bot (BTSbot) ang pagtuklas at pag-uuri ng mga supernova sa Zwicky Transient Facility survey.

Pagkamamamayang Agham at AI: Makapangyarihang Pagtutulungan

Dahil sa laki ng hamon, humihingi rin ng tulong sa publiko ang mga astronomo. Inaanyayahan ng mga proyekto gaya ng Galaxy Zoo at ng bagong "Galaxy Zoo: Euclid" ang mga boluntaryo sa buong mundo na tumulong sa pag-uuri ng mga hugis ng galaksiya. Kasamang gumagawa ng mga algorithm ng AI—gaya ng ZooBot—ang mga kalahok na ito sa pagkamamamayang agham. Hinahawakan ng AI ang mas payak na mga kaso at ipinauubaya sa mga tao ang mas masalimuot na larawan. Hindi lamang pinabibilis ng pagtutulungang ito ang pag-uuri; nakatutulong din itong magsanay at magpahusay sa AI, na lumilikha ng patuloy na siklo ng pagtuklas.

Kapwa umaasa sa pinagsamang paraang ito ang James Webb Space Telescope ng NASA at ang misyon ng Euclid. Nagtutulungan ang libu-libong boluntaryo at makabagong AI upang buuin ang pinakamalaki at pinakadetalyadong mga katalogo ng morphology ng galaksiya na nalikha kailanman.

Paano Binabago ng AI ang Astronomiya

Higit pa sa bilis ang epekto ng AI sa astronomiya. Sa mabilis at tumpak na pag-uuri ng napakaraming bagay, natutulungan ng AI ang mga siyentipiko na:

• Tuklasin ang bihira o di-pangkaraniwang mga bagay, gaya ng mga galaksiyang hugis-singsing o malalayong quasar, na maaaring hindi mapansin kung hindi.
• Subaybayan ang kayarian at ebolusyon ng mga galaksiya sa paglipas ng panahon sa kosmos, upang maunawaan kung paano nagbago ang uniberso sa loob ng bilyun-bilyong taon.
• Imapa ang distribusyon ng dark matter at dark energy sa pamamagitan ng pagsusuri sa mga hugis at posisyon ng mga galaksiya at sa mga epekto ng gravitational lensing.
• Pahusayin ang katumpakan at pagiging kumpleto ng mga astronomikal na katalogo sa pamamagitan ng pagtutuwid sa mga dating pagkakamali at pagpuno sa mga kakulangan.

Halimbawa, nagbigay ng sapat na kalaking sampol para sa makabuluhang pagsusuring siyentipiko ang kamakailang pagkakatuklas sa 30,000 bihirang galaksiyang hugis-singsing sa proyektong GALAXY CRUISE, na pinagtulungan ng AI at mga kalahok sa pagkamamamayang agham. Nagbunyag ito ng mga bagong pananaw sa pagkakabuo ng mga di-pangkaraniwang kayariang ito, na kadalasang nagmumula sa banggaan ng mga spiral galaksiya.

Mga Inobasyong Teknikal: Multi-Modal at Pagsusuri sa Antas ng Pixel

Kabilang sa mga kamakailang pagsulong sa AI para sa astronomiya ang mga multi-modal na arkitektura ng deep learning, na pinagsasama ang datos ng larawan at nakaayos na metadata (gaya ng liwanag, kulay, at redshift) upang mapahusay ang katumpakan. Ipinakikita ng mga pag-aaral na higit na mahusay ang mga modelong ito kaysa sa gumagamit lamang ng iisang uri ng datos: mas mataas ang precision at recall ng mga ito kahit mas kaunti ang panahong ginugugol sa pagsasanay. Sinusuri pa nga ng ilang kagamitan, gaya ng Morpheus AI na binuo sa UC Santa Cruz, ang mga larawan pixel kada pixel. Dahil dito, naisasagawa ang detalyadong pag-uuri ayon sa morphology at natutukoy ang masalimuot na mga kayarian sa loob ng mga galaksiya.

Mahalaga ang mga inobasyong ito habang nagiging mas malawak ang saklaw ng mga sarbey. Halimbawa, layunin ng misyon ng Euclid na imapa ang 3D na distribusyon ng dark matter sa pamamagitan ng pagsukat sa banayad na pagkabaluktot ng mga hugis ng galaksiya na dulot ng gravitational lensing—isang gawaing imposibleng isagawa nang walang makabagong mga teknik ng AI at machine learning.

Mga Limitasyon at Hamon ng AI sa Astronomiya

Sa kabila ng mga pagsulong na ito, hindi panlunas sa lahat ang AI. Lubhang nakadepende ang katumpakan ng anumang modelo sa kalidad at pagkakaiba-iba ng datos na ginamit sa pagsasanay dito. Maaaring hindi kasinghusay ng modelo sa datos mula sa ibang instrumento o rehiyon ng kalangitan ang naging resulta nito kung sinanay ito gamit ang isang sarbey lamang, lalo na sa mahihirap na lugar gaya ng zone of avoidance. Gaya ng itinampok ng kamakailang pananaliksik, maaaring mahirapan ang mga modelo ng machine learning na uriin ang mga bagay sa mga rehiyong natatakpan ng alikabok o may di-pangkaraniwang mga katangian, at kung minsan ay hindi matukoy o makilala nang tama ang malaking bahagi ng mga ito.

Dagdag pa rito, maaaring mamana ng mga modelo ng AI ang pagkiling mula sa datos na ginamit sa pagsasanay sa mga ito, kaya posibleng hindi mapansin ang bihira o di-inaasahang mga pangyayari. Kaya nananatiling mahalaga ang kadalubhasaan ng tao at ang pagkamamamayang agham, kapwa sa pagpapatunay sa mga resulta ng AI at sa pagtuklas ng mga tunay na bago.

Mga Direksiyon sa Hinaharap: Mas Matalino at Mas Nababagong AI

Pinagsisikapan ngayon ng pangkat ng Yunnan Observatories at ng iba pa na pahusayin ang kakayahan ng kanilang mga modelo na humawak sa mas malalabong bagay at umangkop sa mga bagong sarbey na may iba’t ibang katangian. Kabilang dito ang pagsasanay gamit ang mas sari-saring dataset, pagsasama ng datos mula sa maraming wavelength, at pagbuo ng mga algorithm na makapagmamarka sa mga di-tiyak o di-pangkaraniwang kaso upang masuri ng tao.

Habang patuloy na umuunlad ang AI, magiging mahalaga ang pakikipagtulungan nito sa mga astronomo—propesyonal man o baguhan—upang mabunyag ang mga hiwaga ng uniberso.

Mas Malawak na Implikasyon: Bagong Ginintuang Panahon ng Pagtuklas

Hindi lamang teknikal na tagumpay ang paglaganap ng AI sa astronomiya; malaking pagbabago rin ito sa paraan ng pagsasagawa ng agham. Sa pag-aawtomatiko sa nakapapagod na gawain ng pag-uuri, nabibigyang-laya ang mga astronomo na magtuon sa interpretasyon, teorya, at paghahanap sa di-pa-natuklasan. Ginagawang mas bukas din nito ang pagtuklas, dahil nakapag-aambag sa pagmamapa sa kosmos ang sinumang may internet.

Sa paghahanda ng mga misyong gaya ng Euclid at James Webb, gayundin ng Vera Rubin Observatory, na maghatid ng di-pa-napapantayang dami ng datos, pinasisimulan ng pagsasanib ng AI, machine learning, at pagkamamamayang agham ang bagong ginintuang panahon ng mga tuklas sa astronomiya. Malawak at mahiwaga ang uniberso, ngunit dahil sa mga bagong kagamitang ito, higit tayong handa ngayon kaysa dati na saliksikin ang kailaliman nito.

Buod

• Nakapag-uri ang isang modelong AI mula sa China ng mahigit 27 milyong bituin, galaksiya, at quasar, isang malaking pagsulong sa pagsusuri ng datos sa astronomiya.
• Gumagamit ang modelo ng mga katangiang morphology at spectral energy distribution upang makamit ang mataas na katumpakan, at napatunayan ito sa iba’t ibang sarbey.
• Mahalaga ang AI sa paghawak sa napakalaking datos mula sa mga makabagong sarbey sa kalangitan gaya ng Euclid at Vera Rubin Observatory.
• Nakikipagtulungan sa AI ang mga proyektong pangkamamamayang agham gaya ng Galaxy Zoo upang uriin ang masalimuot o malabong mga bagay, at mapahusay ang bilis at katumpakan.
• Pinadadali ng AI ang pagtuklas sa mga bihirang bagay at pagtutuwid sa mga dating pagkakamali sa mga katalogo, ngunit nahaharap pa rin ito sa mga hamon sa mahihirap na rehiyon at sa mga di-pangkaraniwang pangyayari.
• Nakabatay ang hinaharap ng pag-uuri sa kosmos sa mas matalino at mas nababagong mga modelo ng AI at sa patuloy na pagtutulungan ng mga makina at tao.