تعد عدسات الجاذبية أداة مهمة لعلماء الفلك الذين يسعون لدراسة الأجسام البعيدة في الكون. تتضمن هذه التقنية استخدام مجموعة ضخمة من المادة (عادة مجرة أو عنقود) بين مصدر ضوء بعيد ومراقب لرؤية الضوء القادم من هذا المصدر بشكل أفضل. في التأثير الذي تنبأت به نظرية آينشتاين للنسبية العامة ، يسمح هذا لعلماء الفلك برؤية الأشياء التي قد تكون محجوبة بطريقة أخرى.
في الآونة الأخيرة ، طورت مجموعة من علماء الفلك الأوروبيين طريقة للعثور على عدسات الجاذبية في أكوام هائلة من البيانات. باستخدام نفس خوارزميات الذكاء الاصطناعي التي استخدمتها Google و Facebook و Tesla لأغراضهم ، تمكنوا من العثور على 56 مرشحًا جديدًا لعدسات الجاذبية من مسح فلكي ضخم. يمكن لهذه الطريقة القضاء على الحاجة إلى علماء الفلك لإجراء عمليات فحص بصرية للصور الفلكية.
الدراسة التي تصف بحثهم ، بعنوان "إيجاد عدسات جاذبية قوية في مسح درجة الكيلو مع الشبكات العصبية التلافيفية" ، ظهرت مؤخرًا في الإشعارات الشهرية للجمعية الفلكية الملكية. بقيادة الفريق كارلو إنريكو بيتريلو من معهد Kapteyn الفلكي ، ضم الفريق أيضًا أعضاء في المعهد الوطني للفيزياء الفلكية (INAF) ، ومعهد Argelander لعلم الفلك (AIfA) وجامعة نابولي.
في حين أنها مفيدة لعلماء الفلك ، إلا أن عدسات الجاذبية هي ألم في العثور عليها. عادة ، سيتألف هذا من علماء الفلك الذين يقومون بفرز آلاف الصور الملتقطة بواسطة التلسكوبات والمراصد. في حين أن المؤسسات الأكاديمية قادرة على الاعتماد على علماء الفلك الهواة وعلماء الفلك المواطنين بشكل لم يسبق له مثيل ، فلا توجد طريقة لمواكبة ملايين الصور التي يتم التقاطها بانتظام من خلال الأدوات في جميع أنحاء العالم.
ولمعالجة ذلك ، لجأ دكتور بيتريلو وزملاؤه إلى ما يُعرف بـ "الشبكات العصبية التلافيفية" (CNN) ، وهو نوع من خوارزمية التعلم الآلي التي تعمل على استخراج البيانات لأنماط معينة. بينما تستخدم Google هذه الشبكات العصبية نفسها للفوز بمباراة Go ضد بطل العالم ، يستخدمها Facebook للتعرّف على الأشياء في الصور المنشورة على موقعها ، ويستخدمها Tesla لتطوير سيارات ذاتية القيادة.
كما أوضح بيتريلو في مقال صحفي صدر حديثًا عن كلية الأبحاث الهولندية لعلم الفلك:
"هذه هي المرة الأولى التي يتم فيها استخدام شبكة عصبية تلافيفية للعثور على أشياء غريبة في مسح فلكي. أعتقد أنها ستصبح القاعدة لأن المسوح الفلكية المستقبلية ستنتج كمية هائلة من البيانات التي ستكون ضرورية للتفتيش. ليس لدينا ما يكفي من علماء الفلك للتعامل مع ذلك ".
ثم قام الفريق بتطبيق هذه الشبكات العصبية على البيانات المستمدة من مسح درجة الكيلو (KiDS). يعتمد هذا المشروع على تلسكوب المسح VLT (VST) في المرصد Paranal Paroal في تشيلي لرسم 1500 درجة مربعة من سماء الليل الجنوبية. تتكون مجموعة البيانات هذه من 21،789 صورة ملونة تم جمعها بواسطة أوميغا كام VST ، وهي أداة متعددة النطاقات تم تطويرها بواسطة مجموعة من العلماء الأوروبيين بالاشتراك مع ESO.
احتوت هذه الصور جميعها على أمثلة على المجرات الحمراء المضيئة (LRGs) ، ومن المعروف أن ثلاثة منها عدسات جاذبية. في البداية ، وجدت الشبكة العصبية 761 مرشح عدسة الجاذبية داخل هذه العينة. بعد فحص هؤلاء المرشحين بصريًا ، تمكن الفريق من تضييق القائمة إلى 56 عدسة. لا تزال هذه تحتاج إلى تأكيد بواسطة التلسكوبات الفضائية في المستقبل ، ولكن النتائج كانت إيجابية للغاية.
كما يشيرون في دراستهم ، يمكن لهذه الشبكة العصبية ، عند تطبيقها على مجموعات بيانات أكبر ، أن تكشف عن مئات أو حتى آلاف العدسات الجديدة:
"يُظهر تقدير متحفظ بناءً على نتائجنا أنه باستخدام طريقتنا المقترحة ، سيكون من الممكن العثور على 100 عدسة LRG-galaxy ضخمة عند z ~> 0.4 في KiDS عند اكتمالها. في السيناريو الأكثر تفاؤلاً ، يمكن لهذا الرقم أن ينمو بشكل كبير (إلى الحد الأقصى 2400 عدسات) ، عند توسيع نطاق اختيار الألوان وتدريب CNN على التعرف على أنظمة عدسات فصل الصور الأصغر. "
بالإضافة إلى ذلك ، أعادت الشبكة العصبية اكتشاف اثنين من العدسات المعروفة في مجموعة البيانات ، لكنها غابت عن العدسة الثالثة. ومع ذلك ، كان هذا يرجع إلى حقيقة أن هذه العدسة كانت صغيرة بشكل خاص ولم يتم تدريب الشبكة العصبية على الكشف عن العدسات من هذا الحجم. يأمل الباحثون في المستقبل في تصحيح ذلك عن طريق تدريب شبكتهم العصبية على ملاحظة العدسات الأصغر ورفض الإيجابيات الخاطئة.
ولكن بالطبع ، الهدف النهائي هنا هو إزالة الحاجة إلى الفحص البصري تمامًا. وبذلك ، سيتم تحرير علماء الفلك من الاضطرار إلى القيام بعمل نخر ، ويمكن أن يكرسوا المزيد من الوقت لعملية الاكتشاف. وبنفس الطريقة تقريبًا ، يمكن استخدام خوارزميات التعلم الآلي للبحث من خلال البيانات الفلكية لإشارات موجات الجاذبية والكواكب الخارجية.
تمامًا مثل الكيفية التي تسعى بها الصناعات الأخرى إلى فهم تيرابايت من المستهلكين أو أنواع أخرى من "البيانات الضخمة" ، يمكن أن تعتمد الفيزياء الفلكية وعلم الكونيات على الذكاء الاصطناعي للعثور على الأنماط في عالم البيانات الخام. ومن المرجح أن تكون النتيجة أقل من عملية اكتشاف متسارعة.
