Što možemo naučiti o svemiru koristeći umjetnu inteligenciju?

Umjetna inteligencija i strojno učenje postali su neizostavni, s primjenama u različitim područjima: od analize podataka, kibernetičke sigurnosti, razvoja farmaceutskih proizvoda, sklapanja glazbe, pa sve do umjetničkih prikaza. Nedavno su se razvili i veliki jezični modeli (Large Language models ili LLM), proširujući mogućnosti AI na ljudsku interakciju i pisanje. Jedan od takvih modela, ChatGPT, ostvario je značajan utjecaj od svog predstavljanja prije manje od dvije godine, potaknuvši brojne rasprave i kontroverze o mogućnostima i implikacijama umjetne inteligencije. Kako piše Universe Today, astronomija je također značajno profitirala korištenjem strojnog učenja za analizu ogromnih količina podataka u potrazi za znakovima planetarnih tranzita, korekcijama atmosferskih smetnji te otkrivanjima uzoraka u šumovima podataka. Prema međunarodnom timu astrofizičara, ovo bi mogao biti tek početak onoga što umjetna inteligenija može postići u astronomiji. U sklopu nedavne studije, tim je usavršavao model Generative Pre-trained Transformer (GPT) koristeći promatranja nebeskih tijela. Pokazali su da modeli GPT mogu biti iznimno korisni u znanstvenim istraživanjima.

Studiju je provela Međunarodna mreža za relativističku astrofiziku (ICRANet), konzorcij koji uključuje istraživače iz Međunarodnog centra za relativističku astrofiziku (ICRA), Nacionalnog instituta za astrofiziku (INAF), Sveučilišta za znanost i tehnologiju u Kini, Instituta za visokoenergetske fizike Kineske akademije znanosti (CAS-IHEP), Sveučilišta u Padovi, Tehnološkog sveučilišta u Isfahanu i Sveučilišta u Ferrari. Njihov znanstveni rad je objavljen na otvorenom serveru arXiv. Kako je navedeno, astronomi se u velikoj mjeri oslanjaju na strojno učenje za obradu podataka dobivenih suvremenim teleskopima i instrumentima. Praksa korištenja umjetne inteligencije započela je prije otprilike deset godina i od tada se znatno proširila. Predsjednik ICRA-e i glavni autor studije, Yu Wang, izjavio je za Universe Today: “Astronomija je uvijek bila vođena podacima. Astronomi su bili među prvim znanstvenicima koji su primijenili strojno učenje, koje je sada integrirano u cijeli proces astronomskih istraživanja. To uključuje od proizvodnje i kontrole teleskopa na Zemlji i u svemiru do analize podataka i validacije teorijskih modela.”

Mogućnosti umjetne inteligencije

Najčešća upotreba strojnog učenja ostaje u analizi podataka, što je najpristupačniji način integracije umjetne inteligencije. Tradicionalno, deseci istraživača i stotine građanskih znanstvenika bavili su se analizom podataka prikupljenih tijekom promatranja. Međutim, današnji moderni teleskopi prikupljaju terabajte podataka dnevno, što čini tradicionalne metode nepraktičnima. To uključuje opsežne ankete poput Very Large Array Sky Survey (VLASS) i razne faze koje provodi Sloan Digital Sky Survey (SDSS). Do danas, veliki jezični modeli primijenjeni su samo sporadično u astronomskim istraživanjima. No prema zagovornicima poput Wanga, umjetna inteligecija je imala značajan društveni utjecaj i potencijal usporediv s “industrijskom revolucijom.” Wang predviđa da bi domet umjetne inteligencije mogao biti znatno širi, možda čak dovesti do prosvjetljenja ili uništenja čovječanstva. Za razliku od industrijske revolucije, promjene i integracije umjetne inteligencije odvijaju se mnogo brže, izazivajući pitanja o granicama iste.

Kako bi procijenili potencijal umjetne inteligencije u astronomiji, Wang i njegov tim koristili su prethodno obučeni GPT model koji su prilagodili za prepoznavanje astronomske pojave: “OpenAI nudi prethodno obučene modele, a mi smo provodili fino podešavanje, mijenjajući neke parametre temeljem izvornog modela kako bismo omogućili prepoznavanje astronomskih podataka i izračunavanje rezultata iz tih podataka. To je kao da nam je OpenAI dao studenta na preddiplomskom studiju, kojeg smo zatim educirali da postane diplomant astronomije.” Unatoč ograničenim podacima srednje rezolucije i manjem broju treniranja modela, rezultati su bili impresivni, s točnošću oko 90%. Ova visoka razina točnosti pripisuje se robustnoj osnovi GPT-a, koji već razumije obradu podataka, logičko zaključivanje i komunikacijske vještine. Tim je u model uveo opažanja različitih astronomskih fenomena iz raznih kataloga, uključujući 2,000 uzoraka kvazara, galaksija, zvijezda i kvazara s širokim apsorpcijskim linijama iz SDSS-a, kao i opažanja kratkih i dugih gama-zraka, galaksija, zvijezda i simulacija crnih rupa. Model je uspješno klasificirao različite pojave, razlikovao vrste kvazara, procjenjivao njihovu udaljenost na temelju crvenog pomaka i mjerenje rotacije i nagiba crnih rupa.

“Ovaj rad pokazuje sposobnost velikih jezičnih modela za obradu astronomske podatke,” rekao je Wang. “Osim toga, sposobnost modela da obrađuje različite vrste astronomskih podatkaka je prednost koju drugi specijalizirani modeli ne posjeduju. Nadamo se da će veliki jezični modeli moći integrirati različite vrste podataka i tada identificirati zajedničke osnovne principe koji će nam pomoći razumjeti svijet.” Tim priznaje da su podaci s kojima su eksperimentirali relativno mali u usporedbi s izlazom podataka suvremenih opservatorija. Posebno se to odnosi na objekte nove generacije poput Opservatorija Vera C. Rubin, koji je nedavno dobio svoju kameru LSST, najveću digitalnu kameru na svijetu. Kad Rubin postane operativan, provest će desetogodišnju projekt nazvan Legacy Survey of Space and Time (LSST), očekujući proizvodnju 15 terabajta podataka svake noći. Zahtjevi budućih kampanja zahtijevat će poboljšanja i suradnju između opservatorija i profesionalnih sustava umjetne inteligencije. Ipak, izgledno je da će primjene velikih jezičnih modela u astronomiji rasti u bliskoj budućnosti. Ne samo da je to vjerojatno, već je i nužno s obzirom na ogromne količine podataka koje današnje astronomske studije generiraju. Budući da će se to vjerojatno eksponencijalno povećavati, umjetna inteligencija će vjerojatno postati neizbježan alat u toj znanstvenoj disciplini.