بزرگنمايي:

سیاست و بازاریابی - خبرآنلاین / طبق اعلام رسمی رصدخانه ملی نجوم نوری-فروسرخ بنیاد ملی علوم آمریکا، معروف به NOIRLab، این سامانه که با استفاده از ۱۳ سال داده تاریخی آموزش دیده است، برنامه زمان‌بندی رصدی برای تلسکوپ ۴ متری ویکتور ام. بلانکو (Víctor M. Blanco) متعلق به بنیاد ملی علوم آمریکا (NSF) ایجاد کرد و با تغییر شرایط آب‌وهوایی و سایر عوامل محیطی، آن را در زمان واقعی اصلاح کرد.
هر شب، اخترشناسان باید پیش از تصمیم‌گیری درباره جهت‌گیری تلسکوپ، شرایط متغیر آب‌وهوا، شدت نور ماه و تغییرات وضعیت جو را به‌دقت ارزیابی کنند. این روند، فرایندی دائمی برای ایجاد تعادل میان عوامل مختلف است تا بتوان بیشترین میزان داده‌های علمی را از هر ساعت ارزشمند رصد زیر آسمان تاریک به دست آورد.
اکنون دانشمندانی که با مؤسسه هوش مصنوعی SkAI (Simons Foundation AI Institute for the Sky) وابسته به بنیاد ملی علوم آمریکا (NSF) و بنیاد سیمونز همکاری می‌کنند، یک ابزار جدید مبتنی بر هوش مصنوعی توسعه داده‌اند که به‌صورت خودکار تعیین می‌کند تلسکوپ باید به کدام نقطه از آسمان نگاه کند.
پس از توسعه این ابزار، پژوهشگران با موفقیت از این سامانه هوش مصنوعی برای زمان‌بندی مشاهدات با دوربین انرژی تاریک (Dark Energy Camera یا DECam) استفاده کردند؛ دوربینی ۵۷۰ مگاپیکسلی که توسط وزارت انرژی آمریکا (DOE) ساخته شده و روی تلسکوپ ۴ متری ویکتور ام. بلانکو در رصدخانه سرو تولولو (Cerro Tololo Inter-American Observatory یا CTIO) بنیاد ملی علوم آمریکا در شیلی نصب شده است.
این سامانه نه‌تنها یک برنامه رصدی تولید کرد، بلکه توانست با تغییر شرایط محیطی، آن برنامه را در زمان واقعی نیز تطبیق دهد و بازنویسی کند. خودکارسازی تصمیم‌های معمول مربوط به زمان‌بندی رصدها، به تلسکوپ‌ها کمک خواهد کرد تا بهترین داده‌های ممکن را جمع‌آوری کنند. «الکس دریلیکا-واگنر» (Alex Drlica-Wagner) از دانشگاه شیکاگو که یکی از مدیران مشترک این پروژه است می‌گوید: «این یک نقطه عطف مهم در مسیر توسعه رصدخانه‌های خودمختارتر است. یکی از دستاوردهای اصلی ما این بود که تمام زیرساخت‌های لازم برای استقرار این تلسکوپ خودران در یک رصدخانه ملی را ایجاد کردیم. در حال حاضر، می‌توان گفت عملکرد آن با توانایی یک انسان قابل‌مقایسه است. در گام بعدی، قصد داریم به رایانه آموزش دهیم که عملکردی بهتر از انسان داشته باشد.»
«آراویندان ویجایاراگاوان» (Aravindan Vijayaraghavan) از دانشگاه نورث‌وسترن که همراه با واگنر مدیریت این پروژه را بر عهده دارد می‌گوید: «دیدن اینکه ایده‌های حوزه هوش مصنوعی و یادگیری تقویتی به برنامه‌ریزی زمان‌بندی تلسکوپ‌ها وارد شده‌اند، بسیار هیجان‌انگیز است؛ حوزه‌ای که در آن هر تصمیم باید میان شرایط متغیر و زمان محدود رصدی تعادل برقرار کند. توسعه سامانه‌های زمان‌بندی هوشمند برای پیمایش‌های نجومی، همچنین مسائل جذاب جدیدی را در یادگیری ماشین ایجاد می‌کند و ما مشتاقیم از طریق این پروژه به بررسی بیشتر آن‌ها ادامه دهیم.»
گاهی اخترشناسان ماه‌ها منتظر می‌مانند تا فرصتی برای استفاده از یک تلسکوپ بزرگ به دست آورند. یک تلسکوپ که در موقعیت نامناسبی قرار گرفته باشد، ممکن است تصاویری با وضوح کمتر یا تصاویری کم‌کیفیت و متأثر از نور ماه ثبت کند؛ شرایطی که شناسایی اجرام کم‌نور یا بسیار دور را دشوارتر می‌کند. همچنین ممکن است فرصت تکرار یک مشاهده ناموفق تا ماه‌ها بعد فراهم نشود.
واگنر می‌گوید: «تلسکوپ‌های بزرگ، منابع ملی یا بین‌المللی هستند. بسیاری از اخترشناسان در سراسر جهان می‌خواهند از زمان این تلسکوپ‌ها استفاده کنند و این زمان محدود است. اگر همه بتوانند زمان اختصاص‌یافته خود را کارآمدتر استفاده کنند، جامعه علمی قادر خواهد بود پژوهش‌های علمی بیشتری انجام دهد.»
تیم پژوهشی SkAI یک سامانه زمان‌بندی مبتنی بر یادگیری عمیق توسعه داد. به‌جای اینکه هوش مصنوعی را با مجموعه‌ای از قوانین که اخترشناسان طی دهه‌ها توسعه داده‌اند برنامه‌ریزی کنند، پژوهشگران به این سامانه اجازه دادند خودش یاد بگیرد. آن‌ها یک مدل یادگیری عمیق را با استفاده از مشاهدات تاریخی پروژه پیمایش انرژی تاریک (Dark Energy Survey یا DES) که با حمایت وزارت انرژی آمریکا انجام شده بود، آموزش دادند.
واگنر توضیح می‌دهد: «ما مدل را با استفاده از سال‌ها داده تاریخی رصدی آموزش دادیم؛ به این شکل که به آن نشان دادیم تلسکوپ در یک لحظه به کجا نگاه می‌کند و از آن خواستیم مشاهده بعدی را پیش‌بینی کند. سپس پیش‌بینی آن را با کاری که اخترشناسان واقعاً انجام داده بودند مقایسه کردیم و از مدل خواستیم خطاهایش را اصلاح کند. پس از بارها تکرار این فرایند، مدل یاد گرفت چگونه مشاهدات را زمان‌بندی کند؛ بدون اینکه به طور صریح به آن آموزش داده شود که روشنایی ماه، شرایط جوی یا عوامل متعدد دیگر چگونه بر کیفیت مشاهدات نجومی تأثیر می‌گذارند.»
در بهار و تابستان گذشته، این سامانه زمان‌بندی هوشمند دو دوره موفق رصدی را روی تلسکوپ بلانکو تکمیل کرد؛ یکی از پربازده‌ترین تأسیسات نجومی جهان که نرم‌افزار کنترل تلسکوپ آن پیوسته ارتقا داد می‌شود. در این مرحله نخست استقرار، هدف این بود که هوش مصنوعی بتواند عملکردی تقریباً مشابه انسانی داشته باشد که وظیفه انجام این زمان‌بندی‌ها را بر عهده دارد. هدف بعدی تیم این است که هوش مصنوعی را نه‌فقط برای تقلید از تصمیم‌گیری انسان، بلکه برای بهبود آن آموزش دهد. با بررسی استراتژی‌های رصدی که ممکن است هرگز به ذهن انسان نرسند، هوش مصنوعی در نهایت می‌تواند کارایی تلسکوپ‌ها را بیش‌ازپیش افزایش دهد.
با آغاز فعالیت نسل جدید تلسکوپ‌ها، از جمله رصدخانه ورا سی. روبین (Vera C. Rubin) وابسته به بنیاد ملی علوم آمریکا و وزارت انرژی آمریکا که حجم بی‌سابقه‌ای از داده‌های نجومی را تولید خواهند کرد، سامانه‌های زمان‌بندی هوشمند می‌توانند به تلسکوپ‌های مکمل کمک کنند تا واکنش سریع‌تر و کارآمدتری داشته باشند و ارزش علمی هر نوبت رصد را به حداکثر برسانند.
واگنر می‌گوید: «اگر بتوانیم این وظیفه فنی و عملیاتی را خودکار کنیم تا به تلاش انسانی کمتری نیاز داشته باشد، اخترشناسان زمان بیشتری برای فکرکردن درباره مسائل علمی جذاب‌تر خواهند داشت و می‌توانند تمرکز بیشتری بر کشف‌های جدید داشته باشند.»
مؤسسه SkAI که رهبری آن بر عهده دانشگاه نورث‌وسترن است، یک مؤسسه ملی پژوهش هوش مصنوعی است که به طور مشترک توسط بنیاد ملی علوم آمریکا و بنیاد سیمونز تأمین مالی می‌شود. SkAI پژوهشگران حوزه‌های اخترشناسی، هوش مصنوعی و رشته‌های مرتبط را گرد هم می‌آورد تا ابزارهای قابل‌اعتماد هوش مصنوعی توسعه دهد؛ ابزارهایی که کشف‌های علمی را سرعت می‌بخشند، پیمایش‌ها و تجهیزات پیشرفته نجومی را توسعه می‌دهند و نسل آینده دانشمندان میان‌رشته‌ای را آموزش می‌دهند.