کد خبر:۱۴۵۸۲۷۴
یک نقطه نورانی در آسمان چطور به هوش مصنوعی اطلاعات میدهد؟
پژوهشگران مدلی از هوش مصنوعی ساختهاند که با بررسی تغییرات نور ماهوارهها، رفتارهای غیرعادی و نوع حرکت آنها را در مدار شناسایی و پیشبینی میکند هم.
به گزارش گروه دانشگاه خبرگزاری دانشجو؛ تصور کنید شب به آسمان نگاه میکنید و فقط یک نقطه نورانی را میبینید؛ اما همین نقطه کوچک برای یک مدل هوش مصنوعی میتواند اطلاعاتی درباره رفتار یک ماهواره در مدار زمین داشته باشد. پژوهشگران در یک مطالعه جدید نشان دادهاند که میتوان با بررسی تغییرات روشنایی اجرام فضایی، رفتار غیرعادی آنها را شناسایی و حتی نوع حرکتشان را پیشبینی کرد؛ روشی که میتواند به مدیریت ترافیک فضایی و کاهش خطر برخورد ماهوارهها کمک کند.
یک ماهواره فقط یک نقطه نورانی نیست
ماهوارههایی که در مدار زمین حرکت میکنند، از دید تلسکوپهای زمینی گاهی مانند نقاط کوچک نورانی دیده میشوند. اما میزان روشنایی این نقاط ثابت نیست. چرخش ماهواره، تغییر جهت آن نسبت به خورشید و زمین و نحوه بازتاب نور از سطح آن میتواند باعث تغییراتی در نوری شود که به تلسکوپ میرسد.
پژوهشگران به ثبت این تغییرات در طول زمان، «منحنی نوری» یا Light Curve میگویند. این منحنی در واقع یک دنباله از اندازهگیریهای روشنایی یک جرم فضایی است و میتواند سرنخهایی درباره ویژگیهای فیزیکی و رفتار آن در اختیار پژوهشگران قرار دهد. برای نمونه، یک جسم در حال چرخش میتواند الگوهای دورهای مشخصی در منحنی نوری ایجاد کند.
حالا پژوهشگران تلاش کردهاند همین اطلاعات را به یک مدل هوش مصنوعی بدهند تا به جای اینکه انسان تکتک این دادهها را بررسی کند، خود مدل بتواند الگوهای عادی و غیرعادی را از یکدیگر تشخیص دهد.
آموزش هوش مصنوعی با بیش از ۲۲۷ هزار منحنی نوری
مدل ساختهشده در این پژوهش بر پایه معماری Perceiver-VAE است؛ ترکیبی که از یک معماری Perceiver برای پردازش دادههای پیچیده و یک خودرمزگذار تغییرپذیر یا VAE برای یادگیری الگوها و شناسایی موارد غیرعادی استفاده میکند. برای مرحله آموزش اولیه، پژوهشگران از حدود ۲۲۷ هزار منحنی نوری واقعی مربوط به رصدخانه MMT-۹ استفاده کردند. این دادهها بدون برچسبگذاری دستی در اختیار مدل قرار گرفت تا سیستم بتواند ساختار و الگوهای موجود در آنها را یاد بگیرد.
مدل در این مرحله یاد گرفت منحنیهای نوری را بازسازی کند، بخشهای حذفشده از آنها را تشخیص دهد و روند آینده داده را پیشبینی کند. همین فرآیند باعث شد سیستم بتواند نوعی الگوی «رفتار معمول» برای اجرام فضایی ایجاد کند. بعد از این مرحله، مدل با دادههای شبیهسازیشده برای دو وظیفه مشخص تنظیم شد: تشخیص رفتار غیرعادی و پیشبینی نوع حرکت ماهواره. در این آزمایشها از مدلهای شبیهسازیشده اجرامی مانند Sentinel-۳، SMOS و Starlink نیز استفاده شد.
اگر نور ماهواره تغییر کند، هوش مصنوعی متوجه میشود
نکته مهم پژوهش همینجاست؛ سیستم قرار نیست صرفاً بگوید «این یک ماهواره است». هدف آن این است که بفهمد آیا چیزی در رفتار این جرم با الگوهای شناختهشده تفاوت دارد یا خیر در آزمایش نهایی مقاله، مدل در تشخیص ناهنجاری به دقت ۸۵ درصد رسید و مقدار ROC AUC آن ۰.۹۲ بود. در وظیفه تشخیص نوع حرکت نیز دقت ۸۲ درصد و ROC AUC برابر با ۰.۹۵ ثبت شد. پژوهشگران در این بخش حرکتهایی مانند چرخش، غلتیدن و جهتگیری نسبت به خورشید را بررسی کردند.
در گزارش دانشگاه استرثکلاید از این پژوهش، عملکرد مدل در شناسایی منحنیهای نوری غیرعادی ۸۸ درصد اعلام شده است؛ با این حال، مقاله نهایی منتشرشده در Expert Systems رقم ۸۵ درصد را برای وظیفه تشخیص ناهنجاری گزارش میکند؛ بنابراین برای گزارش خبری دقیقتر، عدد مقاله نهایی مبنا قرار گرفته است.
چرا تشخیص رفتار غیرعادی ماهوارهها مهم است؟
مدار زمین دیگر فضای خالی چند دهه قبل نیست. تعداد ماهوارههای فعال و اجرام مختلف در مدار افزایش پیدا کرده و همین موضوع، نظارت بر آنها را دشوارتر کرده است. بر اساس گزارش دانشگاه استرثکلاید، در سال ۲۰۲۵ بیش از ۴ هزار ماهواره جدید به فضا پرتاب شد؛ در حالی که این رقم در سال ۲۰۰۰ تنها ۱۵۹ ماهواره بود. افزایش تعداد اجرام مداری یعنی سیستمهای زمینی باید حجم بسیار بیشتری از اطلاعات را بررسی کنند. در چنین شرایطی، اگر یک ماهواره رفتار متفاوتی از خود نشان دهد، تشخیص سریع این تغییر میتواند اهمیت داشته باشد. سیستم هوش مصنوعی میتواند دادههای حاصل از رصدخانههای زمینی را بررسی کند و موارد مشکوک را برای بررسی بیشتر در اختیار متخصصان قرار دهد به بیان سادهتر، قرار نیست هوش مصنوعی جای متخصصان فضایی را بگیرد؛ بلکه میتواند مانند یک سیستم هشدار اولیه عمل کند تا انسانها سریعتر متوجه شوند کدام جرم نیاز به بررسی دارد.
از یک نقطه نورانی تا پیشبینی حرکت
یکی از جذابترین بخشهای این پژوهش این است که داده اولیه سیستم بسیار سادهتر از چیزی است که ممکن است تصور کنیم. مدل برای شروع کار به تصویر واضح و نزدیک از ماهواره نیاز ندارد؛ بلکه میتواند از تغییرات روشنایی آن در طول زمان اطلاعات استخراج کند. پژوهشگران همچنین در دادههای واقعی، الگوهایی مانند مشخصات نوری متفاوت اجرام و درخشش لحظهای ماهوارهها یا Satellite Glinting را در مواردی که مدل بهعنوان ناهنجاری شناسایی کرده بود، مشاهده کردند. البته این فناوری هنوز به معنای آن نیست که هر تغییری در نور یک ماهواره الزاماً نشانه خطر است. تشخیص ناهنجاری به این معناست که الگوی مشاهدهشده با الگوهای مورد انتظار تفاوت دارد و سپس باید علت آن توسط متخصصان بررسی شود.
قدم بعدی؛ فقط نور کافی نیست
پژوهشگران در گام بعدی میخواهند مدل را از اطلاعات نوری فراتر ببرند. در مقاله، امکان توسعه این چارچوب برای ترکیب دادههای مختلف از جمله رادار، دادههای ابرطیفی و اطلاعات مداری ماهوارهها مطرح شده است. اگر چنین مدلهایی بتوانند دادههای مختلف را در یک سیستم واحد ترکیب کنند، تحلیل رفتار اجرام فضایی میتواند از یک منحنی نوری ساده به یک تصویر کاملتر از وضعیت هر جرم در مدار تبدیل شود. در نهایت، اهمیت این پژوهش فقط در این نیست که یک مدل هوش مصنوعی توانسته الگوی نور یک ماهواره را تحلیل کند. مسئله بزرگتر، خودکار شدن بخشی از مراقبت از محیط فضایی زمین است؛ محیطی که با افزایش ماهوارهها، هر روز شلوغتر میشود. شاید دفعه بعد که یک نقطه نورانی را در آسمان دیدیم، آن نقطه برای ما فقط یک نور دوردست باشد؛ اما برای یک سیستم هوش مصنوعی، همان تغییرات کوچک نور میتواند داستانی درباره چرخش، جهتگیری و رفتار آن جرم در فضا روایت کند.
لینک کپی شد
گزارش خطا