مجله هوش مصنوعی شهاب
عالم هستی چند سال عمر دارد؟
عالم هستی چه شکلی دارد؟
عالم هستی چه رفتاری دارد؟
این ها سوالات بنیادی هستند که با ادغام کیهان شناسی و هوش مصنوعی جواب داده می شود اما در ابتدا یک مقدمه خیلی کوچک و خلاصه از گذشته تا الان کیهان شناسی را بررسی می کنیم:
مقدمه :
کیهان شناسی یکی از قدیمی ترین علوم در جهان است (این علم با ستاره شناسی متفاوت است). کیهان شناسی به مطالعه هستی و چیستی و رفتار عالم هستی میپردازد و زیر شاخه های کیهان شناسی شامل : مطالعات در زمینه انفجار اولیه هستی، ماده تاریک، انرژی تاریک و شکل گیری کهکشان ها ، عمر کیهان و وسعت کیهان و رفتار عالم هستی در نیستی وحتی فیزیک ذرات بنیادی هم می شود.
این علم در گذشته های دور پیشرفت چندانی نداشت، اما با پیشرفت علم مخابرات این زمینه هم دچار تحول شد. واز طرفی با پیدایش هوش مصنوعی شوک جدی به این علم وارد شد. به این گونه که دانشمندان هوش مصنوعی و مخابرات این علم را دگرگون کردند، دانشمندان علوم داده و هوش مصنوعی با ترفند های بینظیر خودشان باعث شگفتی در این زمینه شدند، وبه گونه ای این علم را پیشرفت دادند که کلیه کتاب های علوم بنیادی دوباره از نو باید نوشته شوند. و مهندسین و دانشمندان هوش مصنوعی و مخابرات نظریات بزرگ را در عالم واقعی به اثبات رساندند و این علم را از کتاب ها و محاسبات به دنیای واقعی مدل سازی کردند.
اما داستان از کجا شروع شد؟
مطالعه اجرام آسمانی از زمان غار نشینی (حتی قبل از اختراع خط دردوران پارینه سنگی) وجود داشت به گونه ای که باستان شناسان نقاشی هایی از رویداد های آسمانی و صورت های فلکی که توسط انسان های نخستین رسم شده بودند در غارها پیدا کرده اند، اما دانشمندان بزرگی همچون کپلر، عمرخیام ، گالیله ، ابوریحان بیرونی و… هرکدام نقش بزرگی در تحول این علم داشتند، اما از بین این اسامی نیوتون به کمک قانون گرانش معروف خود توانست انقلابی بزرگ در این علم ایجاد کرد.
پس از نیوتون اینشتین با نظریه نسبیت درهای جدیدی به روی علم گشود، و پس از اینشتین ادوین هابل با مطالعات بسیار دقیق تر این علم را به چالش کشید.
اما این علم به طور ناگهانی رشد وسیعی کرد. رابرات ویلسون تابش پس زمینه کیهانی را کشف کرد و پس از آن این مبحث با علم مهندسی ترکیب شد، مفاهیمی مثل داده و پردازش به این مقوله اضافه شد. آنچان این مبحث وقتی جذاب شد که ماهواره هایی به آسمان پرتاب کردند:
اطلاعات ورودی برای پردازش شبکه های عصبی و هوش مصنوعی از کجا می آیند:
تلسکوپ ها زمینی و فضایی زیادی برای جمع آوری اطلاعات وجود دارد که هرکدام کربوط به ستاره شناسی یا کیهان شناسی هستند برخی از تلسکوپ ها روی زمین هستند (مثل هاوایی ) ،برخی بر روی هواپیما نصب میشوند ( مثل SOFIA ) برخی در فضا هستند (مثل پلانک)
پس از کشف تابش پس زمینه کیهانی توسط رابرات ویلسون این مبحث با علم مهندسی ترکیب شد، مفاهیمی مهندسی و وتجزیه تحلیل داده ها به این مقوله اضافه شد.آنچان ناگهانی این مبحث جذاب شد که ماهواره هایی به آسمان پرتاب کردند، که مهمترین ماهواره های فضایی کیهان شناسی عبارتند از:
ماهواره COBE :
ماهواره کاوشگر پس زمینه کاوشگر ( COBE ) ناسا در ۱۸ ژوئن ۱۹۸۹ به مدار زمین پرتاب شد و به سرعت انقلابی در درک ما از کیهان اولیه ایجاد کرد. است و توانست قدیمی ترین نور جهان – پس زمینه مایکروویو کیهانی را اندازه گیری و نقشه برداری کرده است.
ماهواره WMAP :
این فضاپیما نه تنها به دانشمندان بهترین نگاه را به این درخشش باقیمانده نشان داده است ، بلکه الگوی علمی را نیز ارائه می دهد که تاریخ و ساختار جهان را توصیف می کند.
WMAP سیگنالی را که از جهان جوان داغ باقی مانده است را کشف کردو ، الگویی منجمد شده در زمانی که کیهان تنها ۳۸۰،۰۰۰ سال قدمت داشت در را جمع آوری کرد.( تلاش برای پیدا کردن لحظات ابتدای آفرینش) با گسترش جهان در طی ۱۳ میلیارد سال آینده ، این نور انرژی خود را از دست داد و به طول موج های به مراتب طولانی تر رسید. امروزه به عنوان مایکروویو قابل تشخیص استف که برای دانشمندان داده و هوش مصنوعی بسیار جذاب بود.
مهندسین داده توانستند با کمک WMAP سن جهان را حساب کنند به گونه ای که در کتاب رکوردهای جهانی گینس برای “دقیق ترین اندازه سن جهان” ثبت شد. در این مأموریت مشخص شد که کیهان ۱۳٫۷۵ میلیارد سال قدمت دارد و میزان خطای آن نیز در حدود ۱ درصد است WMAP . همچنین نشان داد که اتم های عادی فقط ۴٫۶ درصد از کیهان امروز را تشکیل می دهند ، و تأیید کرد که بیشتر جهان شامل چیزی است که دانشمندان هنوز نمی فهمند. (ماده تاریک)
پردازش های بیشتر بر روی داده ها نشان داد که یکی دیگر از پیشرفت های مهم WMAP شامل “انبساط” فرضی کیهانی به نام تورم است. برای چندین دهه ، کیهان شناسان اظهار داشتند که جهان طی اولین تریلیونم ثانیه ، مرحله رشد کاملاً سریع را طی کرده است. پردازش داده های WMAP نشان می دهد که که تورم رخ داده است .
ماهواره پلانک :
داده های پلانک نتایج قابل توجهی را برای حوزه کیهان شناسی ارائه داده است ، دانشمندان داده و همش مصنوعی توانستند کارهای بزرگی از جمله
- اندازه گیری فیلتر شده عمر جهان ، میزان انبساط آن و سایر خصوصیات کیهان شناختی را انجام دهند.
- دسته بندی بیش از ۱۵۰۰ خوشه کهکشانی (مجموعه کهکشان های متعدد با جاذبه در کنار هم).
- مشاهدات بی سابقه مایکروویو و نور مادون قرمز از کهکشان راه شیری.
- و مطالعات میدان مغناطیسی کهکشان. نتایج آزمایش شده پذیرفته ترین مدل کیهان شناختی جهان را با دقت بسیار بالا آزمایش کرده و زمینه های جدیدی را برای مطالعه در داخل و خارج از راه شیری باز کردند
پلانک همچنین به محققان حوزه داده و کیهان کمک کرد تا از سه مؤلفه ای که ماده و انرژی را در جهان تشکیل می دهند ، بررسی کنند: ” ماده عادی ( موادی که از جدول تناوبی می شناسیم) ” ، که نوع بشر و موادی که می شناسد از آن ساخته شده ، فقط ۴٫۹ درصد را تشکیل می دهد. و در مقابل ماده تاریک که تنها با اثرات نیروی گرانشی آن شناسایی شده است ، ۲۶٫۲ درصد را تشکیل می دهد. و انرژی تاریک ، که باعث گسترش سریع جهان شود ، ۶۸٫۹ درصد است که این دست آوردی بسیار بزرگ برای بشریت و هوش مصنوعی است.
روش انجام کار:
اصول کار هوش مصنوعی در و یادگیری ماشین و یا یادگیری عمیق یک رویه کلی انجام می گیرد:
- در ابتدا کیهان شناس ها و فیزیکدان ها یک مسئله را مطرح می کند.
- از مسئله مطرح شده دفاع می کند تا مطمئن باشیم از نظر تئوری کاری قوی و با ارزش است.
- در این مرحله مهندسان هوش مصنوعی و مخابرات وارد عمل می شوند با توجه به مسئله مطرح شده موارد زیر را پیشنهاد می دهند:
- محدوده فرکانسی مناسب را انتخاب می کنند.
- فیلتر های مناسب را انتخاب می کنند.
- مدت زمان نمونه برداری مناسب را تعیین می کنند.
- نویز های جوی را تعیین می کنند.
- اثرات گرادیان دمایی ماهواره را تعیین می کنند.
- ایرادات ماهواره هنگام پرتاب با موشک و رها سازی از بوسترها را پیدا می کنند
- از روی زمین به ماهواره دستور می دهند یکبار لنزنوری یا سنسورهای ماهواره با دریچه بسته کار کنند
( تا ایرادات خود دستگاه تعیین شود لنز و یا سنسور را بایاس می کنند.)
- طوفان های خورشیدی را لحاظ می کنند.
- ( با توجه به موارد d,e,f,g,h,i ) آفست ها برای ماهواره طراحی می کنند
در گذشته تعیین کردن موارد d تا i غیر ممکن بود اما امروزه هرکدام از موارد بالا به صورت یک مسئله ساده برای مهندسان مخابرات و هوش مصنوعی است.
اکتشافات و روش انجام کار مهندسین داده:
اکتشافات در زمینه کیهان شناسی آنقدر زیاد شده است ، که امری عادی تلقی می شود،اما با توجه به تراکم داده ها و زمان محدود حتما باید از هوش مصنوعی و داده کاوی بهره برد، اما تحلیل داده ها شامل دو بخش همرا با نظارت و بدون نظارت می شود.
تحلیل داده ها بدون نظارت بسیار ساده تر از تحلیل داده ها با نظارت است، چرا که ما با وسعت گیتی سر و کارداریم (چرا؟) با مثال ساده ای می توان توضیح داد:
فرض کنید استاد دانشکاه از شاگردانش بخواهد یک سنگ کوچک با خودشان به کلاس بیاورند (این کار مشابه پیدا کردن کهکشکان های جدید است )
دانشمندان داده برای این مسئله از روش های خوشه بندی داده استفاده می کنند . و به این روش می توانند کهکشان ها را در مناطق رصدی مورد نظر خوشه بندی می شوند.به گونه ای که بیشترین مواردی که بیشترین شباهت ها را دارند در یک گروه قرار می گیرند و در مراحل بعدی اجرای ااگوریتم های خوشه بندی دقت افزایش میابد.
حال فرض کنید همان استاد یک سنگ مشخصی نشان شاگردانش بدهد و از آن ها بخواهد سنگی با همین جنس و همین ابعاد و همین وزن پیدا کنند ( مشابه پیدا کردن سیارات مشابه زمین، اینجاست که هوش مصنوعی به کمک ما می آید )
برای رهگیری اهداف مشخص در فضا از کاتالوگ هایی اماده استفاده می کنند که با کمک آن کاتالوگ ها شبکه عصبی را آموزش می دهند و سپس داده های جدید اعمال می شوند و می توانند انواع کهکشان ها را طبقه بندی کنند و آن هایی که طبقه بندی ها جا نمی گیرند یا خطا هستند یا کشف جدید هستند که باید بررسی شوند.
هوش مصنوعی در کیهان شناسی دقیقا باید چه چیزی را تحلیل می کند؟
جواب این سوال بسیار وسیع می باشد و وابسته به موارد زیادی می باشد اما نباید فراموش شود که نوع ماهواره تحقیقیاتی و دیتای آن در این روند بسیار مهم است
نوع ماهواره ارسالی و دیتا ها : مثلا تلسکوپ فضایی هابل دیتای فتومتری و عکس های دقیقی به زمین ارسال می کند( حتی تصاویر آن در تصاویر پس زمینه موبایل ها هم دیده می شوند) بسته به نوع این دیتا های ارسالی باید پردازش تصویر انجام شود،به این صورت که عکس ارسالی در هاب سنتر و مرکز نگهداری زمین دریافت می شود ( این ماهواره ها و تلسکوپ ها خود دارای مقادیری خرابی ذاتی(در اثر شلیک موشک) است )
اما چه کارهایی که مهندس های هوش مصنوعی و یادگیری عمیق انجام می دهند:
- یک منطقه خاص توسط اختر فیزیک دانان و یا کیهان شاسان تعیین می شود.
- تصاویر را دریافت می کنند:
- (بر خلاف عنوانش واقعا فرآیند دشواری است. مهندسین باید داده های جوی را دریافت کنند سپس داده ها را به شبکه عصبی وارد کنند اما (این شبکه یک ویژگی خاصی داره) این شبکه تصویر ورودی را می گیرد و خروجی را پالایش شده نمایش می دهد.
- این شبکه خود شامل چندین بخش می شود:
- فیلترهای نویز حرارتی
- فیلتر های زمانی
- فیلتر های رطوبت
- فیلتر های طوفان ها خورشیدی
- فیلتر های طوفان های الکترومغناطیسی ( مخصوصا سیارات گازی مثل مشتری )
- فیلتر کمربند مغناطیسی زمین ( ون آلن )
- فیلتر های شفق و فلق
- فیلترهای نویز حرارتی گیرنده های زمینی
- فیلترهای نویز جیتر گیرنده های زمینی
- فیلتر حذف داپلر
- این قسمت ها هریک برای خود یک شبکه عصبی مجزا دارند که داده ها را دریافت می کنند و اثرات را از بین می برند
- در این مرحله دیتا تازه قابلیت پیش پردازش پیدا می کند :
- آفست های مخصوص را اعمال می کنند
- با توجه به فیزیکی که دانشمندان فیزیک تعیین کردند یک شبکه عصبی طراحی می کنند
- شبکه مورد علاقه معمولا CNN است
- این شبکه ها و داده ها معولا محسبات واگرایی دارند
- محاسبات انجام می شود اما شبکه واگرا شده و اصلا دوست ندارد که محاسبات را به پایان برساند.
راه حل نجات محاسبات از واگرایی
برای نجات محاسبات از واگرایی از الگوریتم های ابتکاری طبیعی وجود دارند که بیشترشان از محیط پیرامون ما الگو برداری می کنند، شاید بسیار ساده بنظر بیایند اما هر کدام بسیار کارآمد هستند انتخاب الگوریتم ها بسته به ابعاد پردازشی است که انجام می دهیم است اما روش خیلی کارآمد مونت کارلو است
مونت کارلو ( ورودی های تصادفی – خروجی تصادفی ):
فرض کنید در یک جامعه تصادفی قرار دارید حالا شما به محاسبات می پردازید. ورودی های شما تصادفی اند و خروجی شما هم باید به حالت تصادفی باشد، یعنی من با پذیرش یک میزان خطای ثابت خروجی را قبول کنم، اما ( آیا نتیجه دقیق می شود؟) برای این کار باید با کمک مقادیر بهینه سازی جلو بریم تا ازیه جایی به بعد به الگوریتم اصلی فرمان بدهد که: محاسبات کافیست با مقدار خطای خاصی داده را به لایه خروجی شبکه عصبی ببر!
پیدا کردن یک super nova ( ابر نو اختر ) در این آشفته بازار:
Super nova چیست: به زبان ساده برخی از ستاره ها وقتی که در حال مرگ هستند بخاطر جرم زیاد ( گداخت ها هسته ای طی چند میلیارد سال ) چگال می شوند. و این اجرام ، نورها و اشعه های زیادی ازخود ساطع می کنند.
اما برای پیدا کردن یک منبع فشرده اشعه مثل ابر نو اختر از فیلترمعروف کلاه مکزیکی استفاده می شود[۱] ( چرا؟ ) همانطور که بیان شد، ابرنو اخترها نور زیادی دارند و این فیلتر ها برای پیدا کردن نقاط متراکم بسیار مناسب است.
اطلاعات ابر نو اختر به چه دردی می خورد؟
ابر نو اختر ها برای مطالعه تشعشات کیهانی بسیار مفید هستند، دانشمندان با کمک هوش مصنوعی انفجارهایی را را در دور دست ها ی کیهان می توانند شناسایی کنند این انفجارها آنقدر قوی هستند که اگر بخواهند نزدیک زمین شبیه سازی کنند مسافت کل منظومه شمسی هم کافی نیست . اما مطالعات ذرات بنیادی عالم هستی از این مقوله می تواند باشد و ذراتی را می توان مطالعه کرد که در پژوهشکده ها و راکتورهای آزمایشگاهی هم این شرایط وجود ندارد.
نتایج :
- علم کیهانشناسی وابستگی زیادی به علوم داده دارد.
- ماهواره های کیهان شناسی از بزرگترین و پیشرفته ترین و مدرن ترین پروژه های تاریخ بشریت هستند که به لطف هوش مصنوعی انجام پذیرفتند.
- مهندسی هوش مصنوعی بسیار به پیشرفت کیهان شناسی کمک کرد و چون این علم رویکردی بنیادی دارد بر روی مام علوم اثر دارد.
- هوش مصنوعی دنیا های جدیدی برای اکتشاف باز کرده است و چشم بشریت مورد آینده هستی است.
- اکثر محدودیت های هوش مصنوعی در طول زمان از بین می رود تا آنجا که عمر کیهان هم می توان روزبه روز دقیق تر می شود.
- هوش مصنوعی فقط به امور روز مره یا چند اپلیکیشن کاربردی خلاصه نمی شود و هوش مصنوعی باعث پیشرفت و رشد و تعالی همه علوم می شود.
پی نوشت:
امیدواریم که با هوش مصنوعی بدون هیچ گونه پیش داوری برخورد شود، و فقط نتایج آن را در زندگی بررسی کنیم تا از مزایای آن برای پیشرفت تمدن علوم و زندگی راحت تر بهره ببریم.
