قدرت شبکه‌های عصبی در محاسبات بسیار پیچیده

محققان از شبکه‌های عصبی برای تجزیه و تحلیل لنزهای گرانشی که انحرافات در فضا-زمان را ۱۰ میلیون بار سریع‌تر از روش‌های سنتی توصیف می‌کنند، استفاده کرده‌اند.

این مطالعه‌ی جدید سیستم هوش‌مصنوعی را آموزش داد تا ویژگی‌های لنزهای گرانشی در تصاویر تلسکوپ فضایی هابل و همچنین تصاویر شبیه‌سازی شده را بررسی کند. این فرآیند بینشی بهتر درباره‌ی چگونگی توزیع جرم در کهکشان ارائه می‌دهد و دیدی دقیق‌تر را از اجرام کیهانی دوردست تهیه می‌کند.

«لورنس پرالت لواسئور»، یکی از نویسندگان مطالعه‌ی جدید گفت: «تحلیل‌هایی که معمولأ به دو ماه زمان و ورودی‌های محاسباتی متخصصان نیاز دارند، به‌وسیله‌ی شبکه‌های عصبی در کسری از ثانیه به‌طور کاملأ خودکار و در اصل در تراشه‌ی کامپیوتری تلفن همراه قابل اجرا هستند.» پرالت لواسئور محقق موسسه‌ی اخترفیزیک ذره‌ای و کیهان‌شناسی «KIPAC» است؛ این موسسه در واقع موسسه‌ی مشترک آزمایشگاه شتاب دهنده‌ی ملی «SLAC» وزارت انرژی آمریکا و دانشگاه استنفورد در کالیفرنیا است.

ترتیب احتمال اشیای متراکم و کهکشان‌های پس‌زمینه‌ای می‌تواند لنزهای گرانشی را ایجاد کند؛ بزرگنمایی طبیعی پس‌زمینه با شکست نور آن در پیرامون جرم پیش زمینه. می‌توان حلقه‌ی منحرف شده‌ی نور حاصل که گاهی اوقات «حلقه‌ی اینشتین» نامیده می‌شود را تجزیه و تحلیل کرد تا اطلاعاتی در مورد خودِ سیستم دوردست و جرم شیِ عبوری از جلوی آن کسب کرد. این امر به ویژه برای درک ماده‌ی تاریک سودمند است؛ زیرا اگرچه نمی‌توان این ماده را مستقیمأ مشاهده کرد، ولی می‌تواند به‌عنوان یک «لنز» برای تمرکز بر کهکشان‌های پس‌زمینه عمل ‌کند.

محققان SLAC می‌گویند که دانشمندان سعی دارند در داده‌های مطالعات تلسکوپی اطلاعات بیشتری را درباره‌ی این لنزها کشف کنند. هرچند، تجزیه و تحلیل سیستم‌ها برای درک خواص اشیاء فرآیندی طولانی و خسته‌کننده برای مقایسه‌ی تصاویر لنز با شبیه‌سازی‌ها و بازسازی شرایطِ ایجادکننده‌ی آن‌ها بوده است. به‌جای هفته‌ها و ماه‌ها تجزیه و تحلیل لنز، شبکه‌های عصبی می‌توانند خواص لنز را فقط ظرف چند ثانیه پیدا کنند.

شبکه‌های عصبی با قرار دادن سیستم هوش مصنوعی با معماری مغزمانند در معرض میلیون‌ها یا میلیاردها خاصیتِ مورد نظر کار می‌کنند و در نتیجه محققان را قادر می‌سازند تا این خواص را در شرایط دیگر شناسایی کنند. مثلأ، با نمایش تصاویر بیشتری از سگ‌ها به شبکه عصبی، این شبکه می‌تواند تعداد بیشتری سگ را شناسایی کند، بدون اینکه نیاز باشد محققان به شبکه بگویند به کدام جزئیات باید دقت کند.

این فرآیند برای کارهای پیچیده‌تر نیز کاربرد دارد. مثلأ تعداد زیادی بازیِ Go به برنامه‌ی AlphaGo گوگل نمایش داده شد تا تجزیه و تحلیل و پردازش را انجام دهد و در نهایت در جام قهرمانی جهان بازی‌های پیچیده شکست خورد. برنامه‌های کامپیوتری سنتی به‌خاطر تعداد خیلی زیاد حرکات احتمالی نتوانستند Go را یاد بگیرند.

در این مطالعه، محققان تقریبأ نیم میلیون تصاویر لنز گرانشی شبیه سازی شده را ظرف یک روز به سیستم‌های شبکه‌ی عصبی نشان دادند. سپس، شبکه‌ها را در لنزهای جدید آزمایش کردند و تحلیل‌های به شدت سریع و دقیقی را تجربه کردند. نویسنده‌ی ارشد مطالعه و همچنین محقق درKIPAC، «یاشار هزاوه»، گفت: «شبکه‌های عصبی که آزمایش کردیم، سه شبکه‌ی عصبی موجود و یک شبکه‌ی عصبی که خودمان طراحی کرده بودیم، توانستند خواص هر لنز را تعیین کنند، از جمله چگونگی انحراف جرم آن و میزان بزرگنمایی تصویر کهکشان پس‌زمینه.»

به گفته‌ی محققان، درحالی‌که شبکه‌های عصبی قبلأ برای اخترفیزیک اعمال شده‌اند، به ندرت در این مرحله از پیچیدگی به‌کار رفته‌اند. مثلأ، آن‌ها شناسایی کرده‌اند که تصویری شامل لنز گرانشی است، اما آن‌را تجزیه و تحلیل نکردند. هزاوه گفت: «گویی شبکه‌های عصبی در این مطالعه نه تنها تصاویر سگ را از مجموعه‌ی زیاد تصاویر برداشتند، بلکه اطلاعات درباره وزن، قد و سن سگ‌ها را برگرداندند.»

اگرچه این تحلیل با مجموعه‌ای کامپیوتری با عملکرد بالا انجام شد، محققان گفتند که این امکان وجود داشت که این تحلیل با قدرت پردازش خیلی کمتری صورت گیرد؛ مثلأ در یک لپ‌تاپ یا حتی تلفن همراه و از آنجایی‌که داده‌های نجومی بیشتر به بررسی نیاز دارند، چنین فرآیندی می‌تواند به ابزاری جدی برای یادگیری بیشتر تبدیل شود.

محققKIPAC، «راجر بلندفورد» که نویسنده‌ی مقاله نیست، گفت: «شبکه‌های عصبی برای مسائل اخترفیزیک در گذشته با بازده‌های ترکیبی به‌کار رفته‌اند. اما الگوریتم‌های جدید در ترکیب با واحدهای پردازش گرافیک مدرن یا GPUها می‌توانند نتایج قابل اطمینان و به شدت سریع را تولید کنند، همان‌طور که مسئله لنز گرانشی در این مقاله ثابت می‌کند. خوش بینیم که این رویکرد برای مسائل پردازش و تجزیه و تحلیل داده در اخترفیزیک و رشته‌های دیگر به‌کار رود.» این کار جدید در ۳۰ آگوست ۲۰۱۷ با جزئیات در مجله‌ی Nature منتشر شد.