ŽIVOT U SVEMIRU

Ivan Kremer

Mašinsko učenje, AI i vasionske anomalije

Treniranje algoritama

Veštačka inteligencija, odnosno mašinsko učenje, sve se više primenjuje u poslednje vreme za analizu astronomskih podataka dobijenih radio i svemirskim teleskopima, u cilju pronalaska anomalija i novih pojava u svemiru. Broj aktivnih teleskopa različitih tipova je u porastu, i na Zemlji i u orbiti. Oni konstantno generišu neverovatno velike količine novih podataka. Pojedinačno posmatranje može dati čak oko jedan terabajt podataka. Posao detaljne analize podataka, u cilju novih otkrića, može biti preobiman za ograničen broj stručnjaka, sa ograničenom količinom vremena. Srećom, napredak na tom polju, vremenski se poklapa sa revolucijom na polju algoritama mašinskog učenja koju proživljavamo poslednjih godina.

Zahvaljujući mašinskom učenju, podaci se analiziraju brže i temeljnije. To predstavlja značajan napredak jer, uprkos opštem oslanjanju na primenu računara u nauci poslednjih decenija, pre primene algoritama mašinskog učenja, u ovu svrhu nisu toliko upotrebljavani računarski analitički alati. Do novih otkrića se dolazilo uglavnom pregledanjem podataka od strane ljudi. Pokazalo se da odgovarajući algoritmi mašinskog učenja mogu primetiti stvari koje su pre toga ljudima promakle. Mašinsko učenje se zasniva na treniranju algoritama pomoću setova poznatih podataka, odnosno učenju šablona i modela iz tih podataka, nakon čega su u stanju među nepoznatim podacima da prepoznaju ono za šta su istrenirani. U svrhu treniranja algoritama, kada je reč o analizi podataka iz teleskopa, u cilju identifikacije nekih objekata ili pojava, mogu se koristiti i simulirani podaci.

U vidljivom i infracrvenom spektru

Istraživači međunarodne mreže SNAD, koja se sastoji od ljudi sa više univerziteta i instituta iz SAD, Francuske i Rusije, primenili su mašinsko učenje u ovu svrhu još 2018. godine i otkrili čak 11 novih svemirskih anomalija. Analizirali su svetlostne krive iz kataloga Zwicky Transient Facility astronomskog pregleda, načinjenog pomoću „Samjuel Ošin“ teleskopa, u Kaliforniji. Algoritam k-D-Tree istrenirali su simuliranim podacima tako da među pravim podacima iz kataloga traži određene tipove supernovih i mesta prolaska zvezda blizu supermasivnih crnih rupa. Pretraga primenom ovog algoritma dala je 105 poklapanja između simuliranih podataka i podataka iz ZTF kataloga, a onda su podaci iz kataloga na koje je algoritam ukazao vizuelno pregledani od strane ljudi. Taj pregled rezultirao je pronalaskom 11 anomalija. Od pomenutih 11 anomalija, za sedam se sumnja da bi zaista mogle biti supernove, a ostale četiri mogle bi da predstavljaju aktivna jezgra galaksija u kojima bi zvezde prolazile blizu crne rupe.

Južnoafrički naučnici razvili su programski okvir (eng. framework) imena ASTRONOMALY koji služi za kreiranje algoritama za detekciju anomalija među astronomskim podacima iz teleskopa. Njegov kod je javno dostupan. U radu iz 2021. godine, njegovi tvorci prijavljuju da su pomoću ASTRONOMALY-ja uspeti da identifikuju duplo veći broj anomalija od značaja u odnosu na običan pregled tih podataka od strane ljudi. ASTRONOMALY može da posluži za analizu više vrsta astronomskih podataka uključujući slike dobijene slikanjem u vidljivom ili infracrvenom delu spektra, svetlosne krive dobijene merenjem intenziteta sjaja objekta tokom vremena pri tranzitnom metodu detekcije i spektre, koji predstavljaju prikaz rezultata pri radio astronomiji.

Udaljeno sedam milijardi svetlosnih godina!

U januaru 2023. godine objavljeno je da je analizom podataka iz južnoafričke MeerKAT mreže radioteleskopa, upotrebom ASTRONOMALY programskog okvira, detektovan objekat koji je pri ranijoj analizi istih podataka od strane ljudi bio previđen. Podaci potiču iz niza posmatranja rađenih od juna 2018. godine do juna 2019. godine, pri čemu je obuhvaćeno oko 115 jata galaksija, u svakom od kojih se nalaze stotine, ili čak hiljade galaksija. Objekat se nalazi na udaljenosti od oko neverovatnih sedam milijardi svetlosnih godina od Zemlje. Šaljivo je nazvan SAURON, aludirajući na Oko Sauronovo iz „Gospodara prstenova“. Naziv je skraćenica od engleskog Steep and Uneven Ring Of Non-thermal Radiation, a prigodan je s obzirom da, po karakteristikama sudeći, pomenuti objekat spada u čudne radio krugove (eng. Odd Radio Circle, ORC). U pitanju su ogromni sferni astronomski objekti, prečnika i do pedeset puta većeg od prečnika naše galaksije, Mlečnog puta. Jako zrače u radiotalasnom delu spektra, dok su nevidljivi u vidljivom i u rendgenskom i infracrvenom delu spektra. Prvi objekat tog tipa identifikovan je 2019. godine među podacima posmatranja iz australijske ASKAP mreže radioteleskopa i naziva se ORC1. U međuvremenu je identifikovano još nekoliko njih, uz  dodatne potencijalne kandidate, uključujući i SAURON.
Astronomi još uvek ne znaju tačno šta ovi objekti predstavljaju, tako da oni predstavljaju pravu anomaliju. Moguća teorijska objašnjenja za ORC objekte uključuju: zaostali šok od intenzivnog zvezdanog praska (formiranja novih zvezda velikom brzinom), eksplozija nakon sudara dve supermasivne crne rupe i krajnji pogled na radio-galaksiju. Treba imati na umu da svako od navedenih mogućih objašnjenja ima i određena neslaganja sa identifikovanim primerima ORC objekata. SAURON poseduje prečnik od najmanje 1,2 miliona svetlosnih godina, što ga čini otprilike 20 puta većim od Mlečnog puta. SAURON čini upečatljivim to što se, u nekim aspektima, razlikuje u odnosu na druge ORC objekte. Naime, sa jedne strane, poseduje čitav niz poklapanja raznih parametara sa ORC1, a sa druge strane SAURON poseduje neuobičajenu kvadrilateralnu građu, drugačiju nego u slučaju ORC1. Druga razlika vredna pomena je izostanak radio-emisija sa potencijalne galaksije oko koje se prostire. Kod originalnih čudnih radio krugova, naučnici su identifikovali galaksije oko kojih se oni prostiru. U slučaju SAURON-a, potencijalna takva galaksija jeste predložena, ali na očekivanim frekvencijama nisu detektovane radio-emisije. Kvadrilateralna građa i izostanak središnje galaksije favorizuju objašnjenje da je u pitanju sudar i spajanje dve supermasivne crne rupe.

Veštačka inteligencija koristi se i za analizu fotografija koje pravi „Džejms Veb“ svemirski teleskop. Nekad je jako teško razaznati manje sjajne pozadinske objekte na kompleksnim slikama delova svemira. Mopheus je deep learning algoritam koji analizira piksel po piksel slike koje pravi „Džejms Veb“ svemirski teleskop. U stanju je da identifikuje stvari koje bi promakle ljudskom oku.
Još jedna neizostavna primena veštačke inteligencije pri analizi podataka iz radioteleskopa je primena u traženju signala inteligentnog vanzemaljskog života. U ovu svrhu su i ranije korišćeni određeni algoritmi, odnosno nije se oslanjalo samo na ljudski vizuelni pregled podataka, ali primena algoritama mašinskog učenja značajno unapređuje stvar. Ona identifikuje otprilike stotinu puta više potencijalnih signala među šumom, u odnosu na primenu starijih algoritama. U januaru 2023. godine, objavljeno je da su osam ovakvih signala, identifikovanih među podacima „Green Bank“ radio-teleskopa, primenom mašinskog učenja, u okviru SETI Breakthrough inicijative, vredni daljeg proučavanja.
U godinama pred nama, automatizacija obrade astronomskih podataka pomoću mašinskog učenja, sigurno će doprineti neverovatnim otkrićima. Osim što će se, za mnoge od prvobitno uočenih anomalija, ispostaviti da spadaju u neku od ljudima poznatih vrsta objekata, poput supernovih ili ORC objekata i time obogatiti naš svemirski katalog, za neke će se ispostaviti da predstavljaju potpuno nepoznate vrste objekata i pojava, što će značajno pomerati granice ljudskog znanja i razumevanja svemira.

Ivan Kremer

Kompletni tekstove sa slikama i prilozima potražite u magazinu
"PLANETA" - štampano izdanje ili u ON LINE prodaji Elektronskog izdanja
"Novinarnica"