زهرا وجدانی: در یک پیشرفت شگرف در عرصه تحلیل داده‌های نجومی، یک الگوریتم تازه یادگیری ماشین به نام DINGO-BNS توانسته است تحلیل برخورد ستارگان نوترونی را ۳۶۰۰ برابر سریع تر از راه حلهای سنتی انجام دهد. این دستاورد، که می‌تواند انقلابی در عرصه اخترشناسی و تحلیل داده‌های گرانشی و تابش‌های الکترومغناطیسی تشکیل کند، امکان همانند‌سازی دقیق و سریع برخورد‌های نادر این اجرام ستاره‌ای چگال را فراهم می‌آورد. با منفعت گیری از این الگوریتم، اخترشناسان می‌توانند داده‌های گرانشی و نور مربوط به این برخورد‌ها را در زمان واقعی تجزیه و تحلیل کرده و به‌شدت عکس العمل نشان دهند.

تحلیل ۳۶۰۰ برابری برخورد ستارگان نوترونی با الگوریتم تازه هوش مصنوعی 

به تازگی یک روش یادگیری ماشین پتانسیل انقلابی در نجوم چندرسانه‌ای به وجود اورده است. همانند‌سازی‌های ستارگان نوترونی دوتایی، که از با اهمیت ترین برتری‌های اخترشناسان است، می‌تواند تغییرات بزرگی در تحلیل داده‌های گرانشی و امواج الکترومغناطیسی تشکیل کند. برخورد‌های نادر این اجرام ستاره‌ای چگال، امواج گرانشی را تشکیل کرده و بعد از آن انفجار‌هایی از نور را به همراه دارند که زمان‌های منحصر به فردی برای مطالعه ماده و گرانش در شرایط زیاد شدید در اختیار اخترشناسان قرار خواهند داد. اما زمان در این فرایند حیاتی است و بدون تحلیل سریع، سیگنال‌های کلیدی امکان پذیر از دست بروند.

در این مطالعه تازه، یک تیم بین‌المللی از پژوهشگران یک رویکرد تازه یادگیری ماشین معارفه کرده‌اند که قادر است امواج گرانشی ناشی از برخورد ستارگان نوترونی را تقریباً به‌صورت زمان واقعی تحلیل کند و حتی پیش از تکمیل شدن برخورد، این سیگنال‌ها را همانند‌سازی کند. این روش از یک شبکه عصبی برای تفسیر سریع داده‌های ورودی منفعت گیری می‌کند که به اخترشناسان این امکان را می‌دهد که به‌شدت برای جستجوی نور و دیگر سیگنال‌های الکترومغناطیسی وابسته عمل کنند. این پیشرفت می‌تواند نقشی کلیدی در آماده‌سازی برای نسل بعدی رصدخانه‌های امواج گرانشی ایفا کند.

چرا زمان‌بندی و تحلیل سریع مهم است؟

فکر کنید که برخورد دو ستاره نوترونی در فاصله صد‌ها میلیون سال نوری از زمین اتفاق می‌افتد. سیگنال‌های گرانشی تشکیل شده توسط این برخوردها، برای همانند‌سازی و تجزیه و تحلیل پیچیده می باشند. اکنون، دستگاه‌های رصدی تنها می‌توانند چند دقیقه داده از هر اتفاقات جمع‌آوری کنند، در حالی که رصدخانه‌های آینده امکان پذیر ساعت‌ها یا حتی روز‌ها داده جمع‌آوری کنند. پردازش این حجم داده‌ها با منفعت گیری از راه حلهای سنتی، هم زمان‌بر است و هم به شدت منبع های محاسباتی بسیاری را مصرف می‌کند.

برای مقابله با این چالش، یک تیم بین‌المللی الگوریتم یادگیری ماشین جدیدی به نام  DINGO-BNS (Deep INference for Gravitational-wave Observations from Binary Neutron Stars) گسترش داده است. این شبکه عصبی قادر است سیستم‌های برخورد ستارگان نوترونی را تنها در یک ثانیه همانند‌سازی کند که این زمان در قیاس با تکنیک‌های حاضر که برای انجام همین تحلیل به تقریبا یک ساعت زمان نیاز دارند، زیاد سریع تر است. یافته‌های این تحقیق به‌تازگی در نشریه معتبر Nature انتشار شده است.

همانند‌سازی سیگنال‌های گرانشی و نور همراه

برخورد‌های ستارگان نوترونی نه تنها امواج گرانشی تشکیل می‌کنند بلکه نور قابل مشاهده (در انفجار بعدی به نام کیلونوا) و دیگر تابش‌های الکترومغناطیسی نیز از خود انتشار می‌کنند. در این راستا، تیم تحقیقاتی از یک روش نوین برای تجزیه و تحلیل داده‌های گرانشی منفعت گیری کرده‌اند که به اخترشناسان این امکان را می‌دهد که علاوه بر سیگنال‌های گرانشی، نور و دیگر تابش‌های الکترومغناطیسی را همانند‌سازی کنند.

ماکسیمیلیان داکس، اولین نویسنده این مقاله و دانشجوی دکتری در قسمت استنباط تجربی در مؤسسه ماکس پلانک برای سیستم‌های هوشمند و انستیتو ELLIS در تیوبینگن می‌گوید: “تحلیل سریع و دقیق داده‌های امواج گرانشی برای اشکار کردن مکان منبع و هدایت تلسکوپ‌ها به‌سمت آن به‌طور سریع زیاد حیاتی است تا بتوان همه سیگنال‌های همراه را مشاهده کرد. “

این روش زمان واقعی می‌تواند استاندارد جدیدی برای تجزیه و تحلیل داده‌های برخورد‌های ستارگان نوترونی تشکیل کند و به جامعه اخترشناسی این امکان را می‌دهد که تلسکوپ‌های خود را در اسرع زمان به‌سمت این اجرام هدایت کنند، همان گونه که بزرگترین رصدخانه‌های امواج گرانشی همانند LIGO-Virgo-KAGRA (LVK) برای شناسایی آنها عمل می‌کنند.

الگوریتم تازه چه تفاوتی با راه حلهای سنتی دارد؟

الگوریتم‌های تحلیل سریع جاری که توسط LVK منفعت گیری خواهد شد، به علت نیاز به شدت تحلیل، طبق معمولً به دقت کافی دست نمی‌یابند و برخی از جزئیات دقیق‌تر داده‌ها را قربانی می‌کنند.

تیم تحقیقاتی این مطالعه نشان داده است که روش تازه آنها که بر پایه یادگیری ماشین است، می‌تواند بدون کمترین تخمین و تقریب، همه ویژگی‌های سیستم‌های ستارگان نوترونی در حال برخورد را تنها در یک ثانیه همانند‌سازی کند. این همانند‌سازی‌ها شامل پارامتر‌هایی همچون جرم‌ها، چرخش‌ها و موقعیت اجرام می باشند که تحلیل دقیق این پارامتر‌ها می‌تواند به اخترشناسان این امکان را بدهد که مکان برخورد را با دقت ۳۰ درصد زیاد تر نسبت به راه حلهای جاری همانند‌سازی کنند.

این الگوریتم سریع و دقیق به اخترشناسان این امکان را می‌دهد که اطلاعات بحرانی را برای مشاهدات مشترک بین رصدخانه‌های امواج گرانشی و تلسکوپ‌های دیگر فراهم کنند. این کار می‌تواند پشتیبانی کند تا برای جست‌و‌جو در بین نور و سیگنال‌های الکترومغناطیسی تشکیل شده توسط این برخوردها، از زمان رصد تلسکوپ‌ها به‌طور بهینه منفعت گیری شود.

ویژگی‌های فنی DINGO-BNS

برای تحلیل برخورد‌های ستارگان نوترونی، راه حلهای یادگیری ماشین باید از پیچیدگی‌های فنی خاصی عبور کنند. استیفن گرین، عضو فلوشیپ رهبران آینده UKRI در دانشگاه ناتینگهام توضیح می‌دهد: “تحلیل امواج گرانشی به‌اختصاصی برای ستارگان نوترونی دوتایی چالش‌برانگیز است، به این علت برای DINGO-BNS باید نوآوری‌های فنی مختلفی گسترش می‌یافت. این شامل تشکیل یک روش برای فشرده‌سازی داده‌های تطبیق‌پذیر با اتفاقات است. “

برنارد شُلکف، مدیر قسمت استنباط تجربی در مؤسسه ماکس پلانک برای سیستم‌های هوشمند و انستیتو ELLIS در تیوبینگن نیز می‌گوید: “مطالعه ما اثربخشی ترکیب راه حلهای پیشرفته یادگیری ماشین با دانش فیزیکی در عرصه همانند‌سازی‌های دقیق فیزیکی را مشخص می کند. “

آینده تحلیل سیگنال‌های پیش از برخورد

به پشتیبانی DINGO-BNS می‌توان به‌زودی سیگنال‌های الکترومغناطیسی را پیش از برخورد و در زمان وقوع آنها مشاهده کرد. این همانند‌سازی می‌تواند به اخترشناسان پشتیبانی کند تا اطلاعات تازه‌ای درمورد فرآیند برخورد و انفجار کیلونوا به‌دست آورند، که هم چنان برای دانشمندان یک معما باقی مانده است.

آلساندرا بوانانو، مدیر قسمت گرانش و کیهان‌شناسی فیزیکی در مؤسسه ماکس پلانک برای گرانش فیزیکی می‌گوید: “این نوع مشاهدات چندرسانه‌ای زودهنگام می‌تواند بینش‌های جدیدی در رابطه فرآیند برخورد و انفجار کیلونوا فراهم کند، که تا این مدت به‌طور کامل رمزگشایی نشده‌اند. “

الگوریتم DINGO-BNS یک قدم بزرگ به سوی انقلابی در تحلیل داده‌های برخورد ستارگان نوترونی است که نه تنها شدت تحلیل داده‌ها را تا ۳۶۰۰ برابر افزایش داده است، بلکه دقت تحلیل‌ها را نیز به‌طور چشمگیری بهبود بخشیده است. این پیشرفت در علم نجوم می‌تواند در آینده‌ای نزدیک به کشف‌های جدیدی در رابطه کیهان و فرآیند‌های فیزیکی در مقیاس‌های بزرگ منجر شود.

انتهای مطلب/