Sustav umjetne inteligencije AstroGenesis pretražuje radove o blazarima, dohvaća teleskopska opažanja i pokreće izračune kojima astronomi ispituju podrijetlo njihova zračenja. Međunarodni tim povezao je zadatke koji inače zahtijevaju rad u različitim arhivima i programima. Istraživač može zatražiti analizu običnim jezikom, a zatim pregledati podatke i rezultate na kojima se temelji.
Sustav raspoređuje posao među specijaliziranim programskim agentima: jedni traže literaturu, drugi dohvaćaju opažanja, a treći pokreću modeliranje ili predlažu istraživačka pitanja. Time bi se trebalo skratiti vrijeme potrebno za pronalaženje podataka i izvođenje izračuna kojima se provjerava istraživačka pretpostavka.
Narek Sahakyan (ICRANet-Armenia) i suradnici opisali su sustav u radu poslanom na recenziju u časopis The Astrophysical Journal. Rad još nije prošao znanstvenu recenziju. U predstavljanju projekta 5. studenoga Sahakyan je opisao kako sustav povezuje te zadatke.
Mlazovi usmjereni gotovo prema Zemlji
Blazari su aktivne galaktičke jezgre čiji je jedan mlaz čestica usmjeren gotovo prema Zemlji. U središtu takvog sustava nalazi se supermasivna crna rupa, a mlaz može snažno zračiti u širokom rasponu energija. Promjene sjaja ponekad su brze, pa je za razumijevanje izvora važno uspoređivati opažanja nastala u odgovarajućim vremenskim razdobljima.
AstroGenesis trenutačno je prilagođen istraživanju blazara. Njegov glavni izvor opažačkih podataka je Markarian Multiwavelength Data Center, koji okuplja pripremljene podatke iz više od 80 instrumenata i kataloga. Među njima su mjerenja instrumenata na svemirskim opservatorijima Swift, NuSTAR i Fermi.
Takva opažanja omogućuju slaganje spektralne raspodjele energije, prikaza koliko izvor zrači na različitim valnim duljinama. Povezivanjem tog prikaza s promjenama sjaja astronomi mogu provjeravati koji fizikalni procesi najbolje odgovaraju podacima. U sadašnjoj verziji sustav uglavnom preuzima već obrađena mjerenja. Širi pristup sirovim teleskopskim podacima i njihova obrada pripadaju planiranom razvoju.
Jedan zahtjev pokreće nekoliko povezanih poslova
Kada istraživač postavi pitanje, nadzorni dio sustava određuje potrebne korake. Agent za literaturu pronalazi relevantne publikacije i izdvaja dijelove na kojima se može temeljiti odgovor. Agent za podatke utvrđuje identitet izvora i dohvaća mjerenja za traženo razdoblje.
Sustav zatim može uspoređivati sjaj u različitim dijelovima spektra, tražiti epizode pojačane aktivnosti i provjeravati kasni li promjena u jednom području za promjenom u drugome. Takva kašnjenja mogu biti važna za tumačenje mjesta i načina nastanka zračenja, ali sama po sebi još ne određuju jedinstven fizikalni uzrok.
U arhitekturu su ugrađene provjere jedinica, vremena opažanja, nedostajućih vrijednosti i nesigurnosti mjerenja. Autori naglašavaju i bilježenje koraka analize kako bi istraživač mogao pratiti podrijetlo rezultata. Tako se lakše može provjeriti gdje je nastao pojedini rezultat ili eventualna pogreška.
Neuronske mreže ubrzavaju izračune
Fizikalni modeli zračenja mogu biti računalno zahtjevni, osobito kada treba iskušati mnogo kombinacija parametara. AstroGenesis zato preko podatkovnog centra koristi neuronske mreže prethodno uvježbane na rezultatima takvih modela. Mreže zatim brzo izračunavaju približna predviđanja tih modela, bez ponavljanja cijele numeričke simulacije za svaki novi pokušaj.
Astronom tako može tražiti usporedbu određenog modela s opažanjima, mijenjati parametre i pregledavati koliko se dobro izračunati spektar podudara s mjerenjima. Dostupni modeli obuhvaćaju različite scenarije zračenja povezanog s elektronima i protonima, a dio analize može uključiti i neutrine.
Pouzdanost takvih aproksimacija vezana je uz fizikalni model i raspon uvjeta na kojima je mreža uvježbana i provjerena. Brži izračun ne uklanja nesigurnosti opažanja niti jamči da je odabrani opis izvora potpun. I dalje je potrebno ispitati odgovaraju li njegove pretpostavke stvarnom objektu.
Što pokazuju objavljeni testovi
U radu su posebno testirane sposobnosti pretraživanja literature. Za pitanja usmjerena na jednu publikaciju sustav je u 76,6 posto slučajeva pronašao relevantan rad među prvih pet rezultata. Kod pitanja koja mogu zahtijevati više publikacija taj je udio iznosio 79,2 posto.
Te brojke opisuju pronalazak barem jednog relevantnog izvora. Ne pokazuju da je gotovo 80 posto konačnih znanstvenih odgovora točno, niti da je sustav u istom postotku pronašao svu potrebnu literaturu. U testu s više publikacija među prvih deset rezultata u prosjeku je pronađena približno polovica unaprijed određenog skupa relevantnih radova.
Autori prikazuju i primjere analiza koje povezuju literaturu, opažanja i modeliranje. Za procjenu pouzdanosti cijelog postupka trebat će šire testiranje, uključujući provjeru izvedenih zaključaka. Istraživač i dalje mora ocijeniti predložene hipoteze, odabrane modele i kvalitetu podataka prije nego što ih upotrijebi u znanstvenom radu.
