Για τους αστρονόμους, κάθε νύχτα παρατήρησης είναι μια άσκηση διαρκούς προσαρμογής. Ο καιρός αλλάζει, η Σελήνη ανεβαίνει στον ουρανό, η ατμόσφαιρα γίνεται περισσότερο ή λιγότερο ταραχώδης και ο διαθέσιμος χρόνος κάθε ερευνητικής ομάδας για παρατήρηση είναι αυστηρά περιορισμένος. Τώρα, ένα σύστημα τεχνητής νοημοσύνης επιχειρεί να αναλάβει ένα μέρος αυτής της δουλειάς.
Τώρα, ερευνητές από τα πανεπιστήμια Northwestern και Σικάγο και από το Fermilab όλα στις ΗΠΑ ανέπτυξαν ένα σύστημα AI που μπορεί να αποφασίζει αυτόματα πού πρέπει να στραφεί ένα τηλεσκόπιο και να προσαρμόζει το πρόγραμμα παρατήρησης καθώς αλλάζουν οι συνθήκες.
Το σύστημα δημιουργήθηκε στο National Science Foundation–Simons Foundation AI Institute for the Sky, γνωστό ως SkAI, και δοκιμάστηκε στην πράξη στο τηλεσκόπιο Víctor M. Blanco 4 μέτρων, στο Cerro Tololo Διαμερικανικό Αστεροσκοπείο της Χιλής.
ΔΙΑΒΑΣΤΕ ΕΠΙΣΗΣ
Εκεί βρίσκεται εγκατεστημένη η Dark Energy Camera, μια κάμερα 570 megapixel που κατασκευάστηκε από το αμερικανικό Υπουργείο Ενέργειας και έχει χρησιμοποιηθεί για μερικές από τις σημαντικότερες χαρτογραφήσεις του νυχτερινού ουρανού.
Το σημαντικό δεν είναι απλώς ότι η AI κατάφερε να φτιάξει ένα πρόγραμμα παρατηρήσεων. Το σύστημα μπόρεσε να αλλάζει αυτό το πρόγραμμα σε πραγματικό χρόνο, αντιδρώντας στις μεταβολές του περιβάλλοντος. Με άλλα λόγια, δεν ακολουθούσε ένα προκαθορισμένο σχέδιο, αλλά επανεξέταζε συνεχώς την επόμενη κίνησή του.
«Είναι ένα σημαντικό ορόσημο προς πιο αυτόνομα αστροπαρατηρητήρια», λέει ο Alex Drlica-Wagner, επιστήμονας στο Fermilab και καθηγητής αστρονομίας και αστροφυσικής στο Πανεπιστήμιο του Σικάγο, ο οποίος συντόνισε το project μαζί με τον Aravindan Vijayaraghavan, αναπληρωτή καθηγητή επιστήμης υπολογιστών στο Northwestern.
Για ένα μεγάλο τηλεσκόπιο, η επιλογή του επόμενου στόχου δεν είναι τόσο απλή όσο ακούγεται. Δεν αρκεί να βρεθεί ένα ενδιαφέρον άστρο ή ένας μακρινός γαλαξίας. Το τηλεσκόπιο πρέπει να βρίσκεται στη σωστή θέση τη σωστή στιγμή. Ένας στόχος μπορεί να βρίσκεται χαμηλά στον ορίζοντα, η ατμόσφαιρα μπορεί να είναι ιδιαίτερα ασταθής ή το φως της Σελήνης να είναι τόσο έντονο ώστε να καλύπτει τα αμυδρά αντικείμενα που ενδιαφέρουν τους ερευνητές.
Και ο χρόνος είναι πολύτιμος. Η πρόσβαση σε μεγάλα ερευνητικά τηλεσκόπια συχνά απαιτεί αναμονή μηνών. Αν μια παρατήρηση αποτύχει ή γίνει σε κακές συνθήκες, η επόμενη ευκαιρία μπορεί να μην εμφανιστεί σύντομα.
«Τα μεγάλα τηλεσκόπια είναι εθνικοί ή διεθνείς πόροι», σημειώνει ο Drlica-Wagner.
«Πολλοί αστρονόμοι σε όλο τον κόσμο θέλουν χρόνο σε αυτά τα τηλεσκόπια και ο χρόνος είναι περιορισμένος. Αν όλοι μπορούσαν να χρησιμοποιούν τον χρόνο τους πιο αποτελεσματικά, η επιστημονική κοινότητα θα μπορούσε να κάνει περισσότερη έρευνα».
Η διαδικασία ήταν περίπου σαν εκπαίδευση ενός πιλότου
Για να μάθουν στην AI πώς να αντιμετωπίζει αυτό το πρόβλημα, οι ερευνητές δεν της έδωσαν απλώς μια μακρά λίστα κανόνων, χρησιμοποίησαν deep learning και ιστορικά δεδομένα από το Dark Energy Survey, μια τεράστια αστρονομική έρευνα που πραγματοποιήθηκε με την ίδια κάμερα στο τηλεσκόπιο Blanco.
Η διαδικασία ήταν περίπου σαν εκπαίδευση ενός πιλότου μέσα από χιλιάδες προηγούμενες πτήσεις. Οι ερευνητές έδειχναν στο μοντέλο προς τα πού κοιτούσε το τηλεσκόπιο σε μια δεδομένη χρονική στιγμή και του ζητούσαν να προβλέψει ποια θα έπρεπε να είναι η επόμενη παρατήρηση. Στη συνέχεια σύγκριναν την πρόβλεψη με αυτό που πραγματικά είχαν επιλέξει οι αστρονόμοι και διόρθωναν το μοντέλο όταν έκανε λάθος.
Με την επανάληψη αυτής της διαδικασίας, το σύστημα άρχισε να αναγνωρίζει μόνο του τα μοτίβα που καθορίζουν μια καλή παρατήρηση. Δεν χρειάστηκε οι επιστήμονες να του εξηγήσουν μεμονωμένα πώς επηρεάζει η Σελήνη την εικόνα, τι σημαίνουν οι διαφορετικές ατμοσφαιρικές συνθήκες ή πότε ένας συγκεκριμένος στόχος αξίζει περισσότερο από έναν άλλο.
«Το εκπαιδεύσαμε πάνω σε 13 χρόνια ιστορικών παρατηρήσεων», εξηγεί ο Drlica-Wagner.
«Του δείχναμε πού ήταν στραμμένο το τηλεσκόπιο μια δεδομένη στιγμή και του ζητούσαμε να προβλέψει την επόμενη παρατήρηση».
Το αποτέλεσμα είναι ένα σύστημα που δεν χρειάζεται να γνωρίζει εκ των προτέρων όλους τους κανόνες που έχουν διαμορφώσει οι αστρονόμοι μέσα σε δεκαετίες εμπειρίας. Μαθαίνει από τα ίδια τα δεδομένα.
Η προσέγγιση συνδέεται και με την ενισχυτική μάθηση, που επιτρέπει σε ένα σύστημα να μαθαίνει μέσα από διαδοχικές αποφάσεις και τα αποτελέσματά τους.
Στην περίπτωση ενός τηλεσκοπίου, κάθε απόφαση πρέπει να ισορροπεί ανάμεσα σε πολλές μεταβλητές που αλλάζουν συνεχώς και σε έναν πόρο που δεν αναπληρώνεται, τις ώρες σκοτεινού ουρανού.
«Είναι συναρπαστικό να βλέπουμε ιδέες από την AI και την ενισχυτική μάθηση να εφαρμόζονται στον προγραμματισμό τηλεσκοπίων», λέει ο Vijayaraghavan. Το πρόβλημα, σημειώνει, αναδεικνύει ταυτόχρονα και νέα ενδιαφέροντα ερωτήματα για την ίδια την επιστήμη της μηχανικής μάθησης.
Η πρώτη δοκιμή έγινε
Την περασμένη άνοιξη και το καλοκαίρι, το σύστημα πραγματοποίησε δύο επιτυχημένες περιόδους παρατηρήσεων στο Blanco. Για την πρώτη αυτή δοκιμή, οι ερευνητές δεν προσπάθησαν να κάνουν την AI καλύτερη από τους ανθρώπους. Ο στόχος ήταν πιο μετριοπαθής, να αποδείξει το σύστημα ότι μπορεί να λειτουργήσει περίπου στο ίδιο επίπεδο με έναν ανθρώπινο προγραμματιστή παρατηρήσεων.
Το επόμενο βήμα είναι πιο φιλόδοξο. Οι ερευνητές θέλουν το σύστημα να πάψει να μιμείται απλώς τις αποφάσεις των αστρονόμων και να αρχίσει να βρίσκει στρατηγικές που οι άνθρωποι ίσως δεν έχουν σκεφτεί.
Αυτό είναι πιθανώς το πιο ενδιαφέρον κομμάτι του πειράματος. Αν μια AI μπορεί να εξετάζει τεράστιο αριθμό πιθανών συνδυασμών στόχων, καιρού, Σελήνης, ατμοσφαιρικών συνθηκών και διαθέσιμου χρόνου, μπορεί τελικά να ανακαλύψει τρόπους παρατήρησης που δεν είναι προφανείς στους ανθρώπους.
Η εξέλιξη αυτή αποκτά ακόμη μεγαλύτερη σημασία καθώς νέα τηλεσκόπια αρχίζουν να παράγουν δεδομένα σε πρωτοφανή κλίμακα. Το Vera C. Rubin Observatory, για παράδειγμα, αναμένεται να αλλάξει δραστικά τον τρόπο με τον οποίο παρατηρούμε τον μεταβαλλόμενο νυχτερινό ουρανό. Όσο περισσότερα δεδομένα παράγονται, τόσο μεγαλύτερη γίνεται η ανάγκη για συστήματα που μπορούν να αποφασίζουν γρήγορα ποια παρατήρηση αξίζει να γίνει την επόμενη στιγμή.
Σε ένα τέτοιο μέλλον, ένα τηλεσκόπιο δεν θα είναι απλώς ένα εξαιρετικά ευαίσθητο όργανο που περιμένει έναν άνθρωπο να του πει προς τα πού να κοιτάξει. Θα μπορούσε να γίνει ένα ημιαυτόνομο επιστημονικό σύστημα, ικανό να αντιλαμβάνεται τις συνθήκες, να αξιολογεί τις επιλογές του και να αλλάζει στρατηγική μέσα στη νύχτα.
Και υπάρχει ένα ακόμη, πιο πρακτικό όφελος. Αν οι τεχνικές αποφάσεις μπορούν να αυτοματοποιηθούν, οι αστρονόμοι θα χρειάζεται να αφιερώνουν λιγότερο χρόνο στο να διαχειρίζονται ένα τηλεσκόπιο και περισσότερο στο να ερμηνεύουν τα δεδομένα που αυτό συλλέγει.
«Αν μπορέσουμε να αυτοματοποιήσουμε αυτή την τεχνική λειτουργία ώστε να απαιτεί λιγότερη ανθρώπινη προσπάθεια, τότε οι αστρονόμοι θα έχουν περισσότερο χρόνο για να σκεφτούν πιο ενδιαφέροντα επιστημονικά προβλήματα και να επικεντρωθούν στην ανακάλυψη», λέει ο Drlica-Wagner.
