شکار زمین دوم در اعماق کیهان؛ الگوریتم‌های هوش مصنوعی چگونه داده‌های تلسکوپ جیمز وب و کپلر را برای کشف سیارات فراخورشیدی رمزگشایی می‌کنند؟

الگوریتم‌های یادگیری عمیق با پردازش فوتومتری و تفکیک افت‌های بسیار ناچیز روشنایی ستاره‌ها در منحنی‌های نوری تلسکوپ‌های کپلر و جیمز وب، سیارات فراخورشیدی را در کسری از ثانیه شناسایی می‌کنند. این سامانه‌ها نویز ابزاری، لکه‌های خورشیدی و ستاره‌های دوتایی را از عبور واقعی سیاره تشخیص می‌دهند و حتی جو سیارات زیست‌پذیر را تحلیل می‌نمایند.

دانشمندان اخترفیزیک سال‌ها برای یافتن سیاره‌ای کوچک در کهکشان ناچار بودند هزاران منحنی نوری پیچیده و آشفته را به صورت چشمی و دستی بررسی کنند. با جریان مداوم داده‌های دریافتی از رصدخانه‌های فضایی مدرن و ظهور مدل‌های پردازشی نوآورانه در سال ۲۰۲۶، دیگر اتکا به روش‌های سنتی پاسخگوی حجم عظیم ترافیک داده نیست. نیاز به توان محاسباتی فضایی بالا حتی ایده ساختدیتاسنترهای مداری ایلان ماسک و اسپیس ایکسرا به یکی از ارکان تحول پردازش داده‌های فرازمینی تبدیل کرده است، زیرا حجم دیتاهای خام فضایی از مرز پتابایت گذشته است.

شکار زمین دوم؛ کشف سیارات فراخورشیدی با هوش مصنوعی و جیمز وب

تیم ما در بررسی جدیدترین دستاوردهای نجومی سال ۲۰۲۶ مشاهده کرد که الگوریتم‌های هوش مصنوعی چگونه قادرند در میان میلیاردها نقطه نوری ثبت‌شده توسط کپلر، تس و جیمز وب، نشانه‌هایی از گذرهای سیاره‌ای را شکار کنند که چشم انسان یا فیلترهای آماری کلاسیک هرگز توان دیدن آن‌ها را نداشتند. در همین راستا، پیشرفت‌هایی نظیرطراحی زایشی موشک با هوش مصنوعیباعث شده پرتابگرها و تلسکوپ‌های نسل جدید با راندمانی بی‌سابقه در مدار قرار گیرند و داده‌هایی بسیار شفاف‌تر را به سوی زمین ارسال کنند.

تحلیل این حجم سرسام‌آور از کدها و داده‌های طیفی نیازمند ابزارهای برنامه‌نویسی به‌شدت بهینه‌سازی شده بود. اتفاقاتی مانند شایعه و تحولات پیرامونخرید کرسر توسط اسپیس ایکسنشان داد که حتی توسعه‌دهندگان سامانه‌های هوافضا نیز برای ارتقای مدل‌های یادگیری عمیق نجومی به سمت محیط‌های توسعه هوشمند گرایش پیدا کرده‌اند تا سرعت کدنویسی الگوریتم‌های رهگیری فضایی را ده برابر کنند.

اکنون تلسکوپ فضایی جیمز وب در کنار آرشیو تاریخی کپلر، معدنی از طلا برای دانشمندان داده است. طبق بررسی مقالات منتشرشده پیرامونتکامل تکنیک‌های کشف سیارات فراخورشیدی با یادگیری ماشیندقت مدل‌های یادگیری ژرف در تمایز میان لرزش‌های فوتومتریک ستاره‌ای و سایه ناشی از عبور یک دنیای صخره‌ای، به بالای ۹۸ درصد رسیده است. در ادامه نحوه کشف این جهان‌های ناشناخته توسط هوش مصنوعی را به شکلی موشکافانه تحلیل می‌کنیم.

روش گذر چیست و چرا هوش مصنوعی به این معادله پیوست؟

زمانی که یک سیاره فراخورشیدی از مقابل ستاره میزبان خود عبور می‌کند، مقدار بسیار اندکی از نور ستاره کاهش می‌یابد که به آن روش گذر یا ترانزیت می‌گویند. برای ستاره‌ای در ابعاد خورشید، عبور سیاره‌ای عظیم مانند مشتری افت نوری در حدود یک درصد ایجاد می‌کند؛ اما برای سیاره‌ای هم‌اندازه زمین، این افت به کمتر از یک‌صدم درصد یعنی چند ده بخش در میلیون می‌رسد.

تلسکوپ فضایی کپلر در طول مأموریت درخشان خود بیش از نیم میلیون ستاره را به طور مستمر زیر نظر گرفت و هر سی ثانیه یا سی دقیقه یک داده فوتومتری ثبت کرد. این حجم از داده حاوی میلیاردها نقطه نوری بود. ستاره‌شناسان سال‌ها با بررسی دستی این خطوط دچار خطای انسانی و خستگی مفرط می‌شدند. افزون بر این، فعالیت‌های درونی خود ستاره مانند شراره‌ها و لکه‌های مغناطیسی، نویزهای شدیدی روی داده‌ها ایجاد می‌کردند.

طبق راهنماهای منتشر شده دربارهروش‌های ناسا برای کشف و تحلیل سیاراتجداسازی این نویزهای فریبنده از گذر واقعی یک سیاره نیازمند فیلترهایی بسیار هوشمند است. اینجا دقیقاً نقطه‌ای بود که مدل‌های یادگیری ماشین به عنوان نجات‌بخش وارد میدان شدند تا الگوهای پنهان در نویزها را آشکار کنند.

شبکه‌های عصبی کانولوشنی چگونه منحنی‌های نوری را می‌خوانند؟

یکی از درخشان‌ترین تکنیک‌هایی که دانشمندان هوش مصنوعی در پردازش داده‌های کپلر به کار گرفتند، استفاده از شبکه‌های عصبی کانولوشنی یک‌بعدی و دو‌بعدی است. همان شبکه‌هایی که در بینایی ماشین برای تشخیص چهره یا خودرو کاربرد دارند، در نجوم برای دیدن سیاره به کار گرفته شدند.

مراحل پردازش این الگوریتم‌ها به شرح زیر است

• فازبندی زمانی داده‌ها: داده‌های نوری ستاره در بازه‌های زمانی منظم روی یکدیگر تا می‌خورند تا اگر افتی تکرارشونده وجود دارد، پررنگ‌تر شود.
• حذف نویز و روندهای ستاره‌ای: تغییرات نوری طبیعی ستاره به کمک فیلترهای گاوسی و تبدیل‌های موجک از سیگنال اصلی جدا می‌شوند.
• استخراج ویژگی محلی و سراسری: مدل‌های یادگیری عمیق شکل فرورفتگی نمودار را بررسی می‌کنند؛ گذر سیاره فرورفتگی جعبه‌ای یا U شکل می‌سازد، در حالی که سامانه‌های دوتایی کسوفی معمولاً فرورفتگی تیز و V شکل ایجاد می‌نمایند.
• اعتبارسنجی با تست‌های تشخیصی: شبکه عصبی همزمان ثبات عمق گذر، عدم تقارن و پدیده‌های ثانویه را بررسی می‌کند تا احتمال خطای مثبت کاذب به حداقل برسد.

ما در بررسی چندین پروژه منبع‌باز نجومی متوجه شدیم که مدل‌های یادگیری تحت نظارت توانسته‌اند صدها سیاره کاندید را که سال‌ها در پوشه‌های داده‌های ردشده کپلر خاک می‌خوردند، به عنوان سیارات قطعی تایید کنند.

جهش جیمز وب؛ از کشف صرف تا آنالیز جو و شکار زیست‌نشانه‌ها

تلسکوپ فضایی کپلر برای شکار و سرشماری ساخته شده بود، اما تلسکوپ جیمز وب مأموریتی بسیار پیچیده‌تر دارد: کالبدشکافی جو دنیاهای دوردست در محدوده فروسرخ. زمانی که سیاره از برابر ستاره می‌گذرد، بخشی از نور ستاره از میان لایه‌های اتمسفر سیاره عبور کرده و به آینه‌های جیمز وب می‌رسد. گازهای مختلف موجود در جو، طول موج‌های خاصی از نور را جذب می‌کنند.

بر اساس تازه‌ترین دستاوردهای ارائه‌شده در زمینهمدل‌های پیشرفته یادگیری ژرف در نجومتلسکوپ جیمز وب با طیف‌سنج‌های فوق‌العاده حساس خود مثل NIRSpec داده‌هایی پر از تداخل‌های کوانتومی و نویزهای حرارتی ثبت می‌کند. هوش مصنوعی در این مرحله نقش بازیابی اتمسفری را ایفا می‌کند.

مدل‌های مدرن هوش مصنوعی در سال ۲۰۲۶، طیف‌های نوری خام جیمز وب را با میلیون‌ها مدل شبیه‌سازی‌شده شیمی جو مقایسه می‌کنند. این الگوریتم‌ها در عرض چند دقیقه می‌توانند غلظت گازهایی چون بخار آب، دی‌اکسید کربن، متان و حتی نشانه‌های بالقوه حیات مانند دی‌متیل سولفید را محاسبه کنند؛ کاری که در گذشته ماه‌ها زمان با روش‌های نمونه‌گیری بیزی نیاز داشت.

مقایسه کارایی روش سنتی در برابر هوش مصنوعی در شکار سیارات

برای درک بهتر اثر شگفت‌انگیز هوش مصنوعی، تفاوت‌های اساسی میان تحلیل انسانی-کلاسیک و پردازش با هوش مصنوعی در جدول زیر گردآوری شده است

الگوریتم‌ها چطور فریب حقه‌های کیهانی را نمی‌خورند؟

بزرگ‌ترین چالش در کشف سیارات، مسأله هشدارهای دروغین یا مثبت کاذب است. در کیهان رویدادهای فراوانی رخ می‌دهند که می‌توانند شبیه به گذر یک سیاره به نظر برسند. لکه‌های ستاره‌ای متحرک، ستاره‌های دوتایی پشت‌صحنه که نورشان با ستاره هدف ترکیب شده، یا حتی تکانه‌های حرارتی خود تلسکوپ فضایی از این دسته‌اند.

مهندسان داده برای فائق آمدن بر این مشکل، از رویکرد یادگیری خودنظارتی و شبکه‌های مولد تخاصمی استفاده کرده‌اند. مدل ابتدا با میلیون‌ها سیگنال شبیه‌سازی‌شده که ترکیبی از آشفتگی‌های تصادفی و افت‌های نوری جعلی هستند تمرین می‌بیند. هنگامی که یک داده واقعی از جیمز وب یا کپلر وارد سیستم می‌شود، شبکه تمام نشانه‌های جزئی انحراف نور، مدت زمان ورود و خروج سیاره از دیسک ستاره و تغییرات طیفی را ارزیابی می‌کند.

تجربه کارشناسان ما با داده‌های فوتومتری نشان می‌دهد که الگوریتم‌های هوش مصنوعی نسل جدید، توانایی استثنایی در درک هندسه نوری دارند. اگر افت نوری در یک طول موج با طول موج دیگر همخوانی نداشته باشد، مدل متوجه می‌شود که پدیده مربوط به یک ستاره متغیر یا یک سامانه دوتایی است و آن را از چرخه کشف سیاره حذف می‌کند.

چالش‌های فنی هوش مصنوعی در اعماق آسمان

با وجود تمام درخشش‌ها، بهره‌گیری از هوش مصنوعی در کیهان‌شناسی با چالش‌های غیرقابل انکاری نیز همراه است

• سوگیری مجموعه داده آموزشی: اگر مدل فقط بر پایه سیارات مشتری‌گون داغ آموزش دیده باشد، در شناسایی سیارات خاکی با مدارهای طولانی دچار کم‌توجهی می‌شود.
• ماهیت جعبه سیاه مدل‌ها: اخترفیزیکدانان برای اثبات علمی نیازمند دلایل دقیق فیزیکی هستند؛ از این رو استفاده از هوش مصنوعی توضیح‌پذیر در تحلیل طیف‌ها یک الزام اجتناب‌ناپذیر است.
• کمبود داده‌های برچسب‌خورده قطعی: تعداد سیاراتی که حیات یا شرایط زمین را دارند بسیار اندک است؛ بنابراین مدل‌ها باید با روش‌های یادگیری نیمه‌نظارتی یا یادگیری تقویتی هدایت شوند.

چشم‌انداز افق ۲۰۲۶ و تحقق رویای یافتن زمین دوم

ادغام گنجینه بزرگ داده‌های کپلر با نگاه عمیق و پرتوهای فروسرخ تلسکوپ فضایی جیمز وب به کمک هوش مصنوعی، دوره‌ای طلایی را در تاریخ بشر رقم زده است. ما اکنون در سال ۲۰۲۶ در آستانه جهشی ایستاده‌ایم که در آن تلسکوپ‌ها صرفاً ابزار جمع‌آوری داده هستند و مغز متفکر شناسایی دنیاهای زیست‌پذیر، الگوریتم‌های یادگیری عمیق خواهند بود.

در تست‌ها و پژوهش‌هایی که در آزمایشگاه‌های داده نجومی انجام شد، مدل‌های هوشمند ثابت کردند که قادرند ریزترین افت‌های نوری ناشی از دنیاهای سنگی را در فاصله‌های هزاران سال نوری تشخیص دهند. اگر روزی فرا برسد که بشر خبر هیجان‌انگیز کشف یک سیاره با اتمسفر سرشار از اکسیژن و متان را به عنوان زمین دوم بشنود، بی‌شک افتخار این کشف در کنار آینه‌های طلایی جیمز وب، متعلق به خطوط هوشمند الگوریتم‌های پردازش داده خواهد بود.

سوالات متداول

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.