تم تطوير أول نموذج فلكي متعدد الوسائط، AION-1، بنجاح! نجح باحثون من جامعة كاليفورنيا، بيركلي، وآخرون، في بناء إطار عمل للذكاء الاصطناعي الفلكي متعدد الوسائط قابل للتعميم، ويعتمد على التدريب المسبق على 200 مليون هدف فلكي.

أحدثت النماذج الأساسية القائمة على بنية المحولات تغييرات جذرية في مجالات مثل معالجة اللغة الطبيعية والرؤية الحاسوبية، مما دفع بالتكنولوجيا من نموذج مُخصص قائم على "نموذج واحد لمهمة واحدة" إلى مرحلة جديدة من التعميم. ومع ذلك، عندما تدخل هذه النماذج مجال البحث العلمي، فإنها تواجه تحديات كبيرة. تأتي بيانات الرصد العلمي من مصادر متنوعة، ولها صيغ متباينة، وغالبًا ما تحتوي على ضوضاء رصدية متنوعة، مما يؤدي إلى "تباين معقد" كبير في البيانات.إن هذا الواقع يضع تحليل البيانات العلمية في معضلة:إذا تمت معالجة نوع واحد فقط من البيانات، فمن الصعب استكشاف قيمته المحتملة بالكامل؛ وإذا تم الاعتماد على مخطط اندماج متعدد الوسائط مصمم يدويًا، فمن الصعب التكيف بشكل مرن مع سيناريوهات المراقبة المتنوعة.

من بين العديد من المجالات العلمية، يُمثل علم الفلك أرضيةً مثاليةً لاختبار هذه النماذج. فكمياته الهائلة من بيانات الرصد المتاحة للعامة تُوفر ركيزةً أساسيةً لتدريب النماذج؛ وفي الوقت نفسه، تتميز أساليبه الرصدية بتنوعها الشديد، حيث تغطي مجموعةً متنوعةً من المناهج، مثل تصوير المجرات، والتحليل الطيفي النجمي، والقياس الضوئي الفلكي. ويلبي هذا الشكل متعدد الأبعاد للبيانات، بطبيعة الحال، احتياجات تطوير التكنولوجيا متعددة الوسائط.

في الواقع، حاولت بعض الدراسات بناء نماذج متعددة الوسائط لعلم الفلك، لكن هذه المحاولات لا تزال تعاني من قيود واضحة: فمعظمها يركز على ظواهر منفردة مثل انفجارات المستعرات العظمى ويعتمد على "الأهداف المتناقضة" باعتبارها التكنولوجيا الأساسية، مما يجعل من الصعب على النماذج التعامل بشكل مرن مع مجموعات عشوائية من الوسائط والتقاط المعلومات العلمية الرئيسية بين الوسائط بخلاف الارتباطات السطحية.

وللتغلب على هذا العائق، تعاونت فرق من أكثر من عشر مؤسسات بحثية حول العالم، بما في ذلك جامعة كاليفورنيا في بيركلي، وجامعة كامبريدج، وجامعة أكسفورد، في تنفيذ المشروع.تم إطلاق AION-1 (الشبكة الفلكية متعددة الوسائط)، وهي أول عائلة نموذجية أساسية متعددة الوسائط واسعة النطاق لعلم الفلك.من خلال دمج ونمذجة المعلومات الرصدية غير المتجانسة مثل الصور والأطياف وبيانات كتالوج النجوم من خلال شبكة أساسية موحدة للاندماج المبكر، فإنه لا يعمل بشكل جيد في سيناريوهات اللقطة الصفرية فحسب، بل إن دقة الكشف الخطي الخاصة به قابلة للمقارنة أيضًا بالنماذج المدربة خصيصًا لمهام محددة.

وقد تم تضمين نتائج الأبحاث ذات الصلة، والتي تحمل عنوان "AION-1: نموذج الأساس متعدد الوسائط للعلوم الفلكية"، في NeurIPS 2025.

أبرز الأبحاث:

* اقتراح عائلة نموذج AION-1، وهي سلسلة من النماذج الأساسية العلمية متعددة الوسائط القائمة على الرموز مع مقاييس معلمات تتراوح من 300 مليون إلى 3.1 مليار، ومصممة خصيصًا لمعالجة بيانات المراقبة الفلكية غير المتجانسة للغاية ودعم مجموعات نموذجية تعسفية.

* تم تطوير طريقة تقسيم مخصصة يمكنها تحويل البيانات الفلكية من مصادر متنوعة وفي تنسيقات مختلفة إلى تمثيل موحد، وإنشاء مجموعة بيانات واحدة متماسكة، والتغلب بشكل فعال على المشاكل الشائعة في البيانات العلمية مثل التباين، وضوضاء الأجهزة، واختلافات المصدر.

* يُظهر AION-1 أداءً استثنائيًا في مجموعة واسعة من المهام العلمية. حتى مع الفحص المسبق البسيط، يصل أداؤه إلى مستويات متقدمة (SOTA)، متفوقًا بشكل ملحوظ على خطوط الأساس الخاضعة للإشراف في سيناريوهات البيانات المنخفضة. تُمكّن هذه الخاصية الباحثين في المراحل اللاحقة من استخدامه مباشرةً وبكفاءة دون الحاجة إلى ضبط دقيق مُعقّد.

* يوفر AION-1 نموذجًا نموذجيًا متعدد الوسائط قابلاً للتطبيق لعلم الفلك وغيره من المجالات العلمية من خلال معالجة التحديات الأساسية بشكل منهجي مثل عدم تجانس البيانات والضوضاء وتنوع الأدوات.

عنوان الورقة:
https://openreview.net/forum?id=6gJ2ZykQ5W
اتبع حساب WeChat الرسمي الخاص بنا وقم بالرد "AION-1" في الخلفية للحصول على ملف PDF الكامل.

مزيد من أوراق البحث الرائدة في مجال الذكاء الاصطناعي:
https://hyper.ai/papers

حجر الزاوية في تدريب AION-1 المسبق: مجموعة بيانات MMU ومخطط التجزئة للبيانات الفلكية متعددة الأنواع

يعتمد التدريب المسبق لـ AION-1 على مجموعة بيانات الكون المتعدد الوسائط (MMU).كما هو موضح في الشكل أدناه، هذه مجموعة من البيانات الفلكية المتاحة للجمهور والتي تم إنشاؤها خصيصًا لمهام التعلم الآلي، ودمج المعلومات الرصدية المتنوعة من خمسة مشاريع رئيسية لمسح السماء.

ويشمل ذلك على وجه التحديد: صور المجرات التي توفرها كاميرا المستعر الأعظم (HSC) ومسح التصوير الإرثي؛ والأطياف عالية الدقة ومعلومات المسافة المقابلة للأجرام السماوية من مطياف الطاقة المظلمة (DESI) ومسح سلون الرقمي للسماء (SDSS)؛ والأطياف منخفضة الدقة التي سجلها قمر جايا الصناعي، والذي يتضمن أيضًا بيانات ضوئية عالية الدقة وبيانات موقع النجوم في مجرة درب التبانة.

لتحقيق معالجة موحدة لهذه البيانات متعددة المصادر ومتعددة التنسيقات، يقترح AION-1 مخططًا عالميًا للتجزئة.يمكن لهذا المخطط تحويل البيانات الفلكية في أشكال مختلفة، مثل الصور والأطياف والبيانات الرقمية، إلى تمثيل موحد يمكن للنموذج التعرف عليه ومعالجته.يُعالج هذا بفعالية التحدي الأساسي المتمثل في تنوع مصادر البيانات الفلكية وتنوع صيغها. تستخدم عملية الترميز مُحوّلًا مُخصصًا لكل نوع بيانات، مما يُمكّنها من التكيف مع مُخرجات البيانات من أدوات مُختلفة، ويضمن التوافق الدلالي للبيانات المُتشابهة، ويُجنّب تكرار تدريب النموذج على نفس نوع البيانات من مصادر مُختلفة.

لبيانات التصوير متعددة النطاقاتلمعالجة الاختلافات في الدقة، وعدد القنوات، وتغطية الطول الموجي، ومستويات الضوضاء بين صور المجرات، يستخدم مُجزئ الصور تصميمًا مرنًا لتضمين القنوات. يتكيف هذا التصميم مع المُدخلات ذات أعداد القنوات المتفاوتة، ويُدمج معلومات مثل مصدر التلسكوب في التمثيل. تعتمد شبكته الأساسية على بنية ResNet مُحسّنة، إلى جانب تقنية تكميم القيمة المحدودة، مما يُمكّن نموذجًا واحدًا من معالجة بيانات الصور من قنوات رصد متعددة بشكل موحد. أثناء التدريب، يستخدم النموذج طريقة تقييم الخسارة التي تأخذ في الاعتبار أوزان الضوضاء، مستفيدًا بشكل كامل من معلومات الضوضاء المعروفة من عملية التصوير لتحسين جودة إعادة البناء.

للبيانات الطيفيةتُعالَج الاختلافات في قوة الإشارة، ونطاق الطول الموجي، والدقة بين مختلف الأجهزة بتوحيدها وربطها بشبكة أطوال موجية مشتركة، مما يُتيح المعالجة المشتركة لأطياف الأجهزة والأهداف المتعددة. يعتمد هذا المُجزئ، القائم على بنية شبكة ConvNeXt V2، على تقنية تكميم لا تتطلب ترميزًا مُحددًا مسبقًا، كما يستخدم دالة فقدان الضوضاء الموزونة لدمج خصائص الضوضاء لمختلف مسوحات السماء.

في معالجة البيانات الجدولية/القياسية،يتخلى AION-1 عن أساليب التمثيل المستمر التقليدية التي يصعب تكييفها مع النطاقات العددية الكبيرة، ويعتمد بدلاً من ذلك استراتيجية تقسيم مجزأة تعتمد على إحصاءات توزيع البيانات. تجعل هذه الطريقة التوزيع العددي أكثر اتساقًا وتقلل من أخطاء التحويل في المناطق التي تتركز فيها المعلومات.

بالإضافة إلى الصور الضوئية القياسية، يتميز النموذج أيضًا بوحدة تقسيم مخصصة للبيانات الحقلية الرقمية الموزعة مكانيًا، مثل خرائط التجزئة وخرائط الخصائص. وهو مناسب للصور المُعَيَّرة بقيم تتراوح بين 0 و1، وهو مبني على شبكة ملتوية، ويستخدم تقنية تكميم مشابهة لتلك المستخدمة في وحدات تقسيم الصور، ويتم تدريبه باستخدام صور المجرات ذات التدرج الرمادي وخرائط التجزئة المقابلة لها.

بالنسبة لبيانات الصندوق المحدد الإهليلجي المستخدمة لتحديد المواقع السماوية،يُوصف كل هدف بخمسة معلمات: إحداثيات الموقع، وشكل القطع الناقص، والحجم. تُنفَّذ عملية الترميز بربط الإحداثيات بأقرب بكسل، وتكميم سمات القطع الناقص. ولمعالجة الحالات التي يكون فيها عدد الأهداف في الصورة متغيرًا، تُحوَّل جميع الأهداف المكتشفة إلى تسلسل، وتُرتَّب حسب بعدها عن مركز الصورة، مما يُشكِّل بنية تمثيلية موحدة ومعيارية.

AION-1: نموذج أساسي متعدد الوسائط للعلوم الفلكية

يعتمد تصميم AION-1 على أفكار نماذج الاندماج المبكر متعددة الوسائط السائدة حاليًا، ويعتمد على وجه التحديد مخطط النمذجة المقنعة متعددة الوسائط القابلة للتطوير المقترح من خلال نموذج 4M (إطار عمل تدريب الذكاء الاصطناعي متعدد الوسائط الذي طورته Apple و EPFL).فكرتها الأساسية هي:بعد تحويل جميع أنواع البيانات إلى تمثيل رمزي موحد، يُحجب جزء من المحتوى عشوائيًا، ثم يتعلم النموذج استعادة هذا الجزء. بهذه الطريقة، يستطيع النموذج اكتشاف العلاقات الجوهرية بين مختلف أشكال البيانات، مثل الصور والأطياف والبيانات الرقمية، تلقائيًا.

خاصة،تحتوي كل عينة تدريب على M نوع مختلف من تسلسلات البيانات.أثناء التدريب، يختار النموذج عشوائيًا جزأين: أحدهما كمدخلات معلوماتية والآخر كهدف لإعادة البناء. ولأن كلا الجزأين يُختاران عشوائيًا من مجموعة البيانات بأكملها، يستطيع النموذج استيعاب خصائص كل نوع من البيانات وفهم التطابقات بينها.

ومن حيث التنفيذ الفني، كما هو موضح في الشكل أدناه،يستخدم AION-1 بنية مشفر وفك تشفير Transformer مصممة خصيصًا لأداء المهام المتعددة.بالإضافة إلى أجهزة التشفير وفك التشفير القياسية، يكمن ابتكار النموذج في تصميم آليات تضمين فريدة لكل نوع بيانات. لكل نوع بيانات، زُوّد النموذج بوظيفة تحويل مخصصة، ومعلمات مُعرِّف نوع قابلة للتعلم، ومعلمات موضعية.

تجدر الإشارة إلى أن النموذج يُخصص مُعرِّف نوع فريد لكل مجموعة من أنواع البيانات ومصادرها. حتى ضمن مجموعة بيانات الصورة نفسها، ستؤدي مصادر مختلفة من أجهزة رصد مختلفة إلى مُعرِّفات مختلفة. يسمح هذا التصميم للنموذج بتحديد خصائص مصدر البيانات، والتي غالبًا ما تتضمن ضمنيًا سمات مهمة مثل جودة البيانات ودقتها.

تعتمد كفاءة تدريب النموذج بشكل كبير على الاختيار المناسب لمحتوى البيانات المراد إخفاؤه. وقد أظهرت الأبحاث أن أسلوب أخذ العينات المستخدم في نموذج 4M الأصلي كان أداؤه ضعيفًا عند التعامل مع بيانات ذات أطوال متفاوتة، مما أدى بسهولة إلى توليد عدد كبير من عينات التدريب غير الصحيحة. لذلك،يقترح AION-1 استراتيجية تبسيط أكثر كفاءة:عند تحديد محتوى الإدخال، يُحدد أولًا حد أقصى إجمالي. بعد ذلك، يُختار نوع بيانات عشوائيًا، ويُستخرج جزء من محتواه منه. ويُضاف أي محتوى متبقٍ إلى أنواع بيانات أخرى. عند تحديد المحتوى المستهدف لإعادة بنائه، تُستخدم طريقة أخذ عينات مُصممة على نطاقات أصغر لتحديد عدد أنواع البيانات المُعاد بناؤها المطلوبة. تُقلل هذه الطريقة التكلفة الحسابية لكل عينة تدريب، مع ضمان الاتساق بين عملية التدريب وسيناريوهات الاستخدام الواقعية.

لتقييم أداء النموذج بشكل شامل، قام فريق البحث بتدريب ثلاثة إصدارات مختلفة من AION-1:الإصدار الأساسي (300 مليون معلمة)، والإصدار الكبير (800 مليون معلمة)، والإصدار الكبير جدًا (3 مليار معلمة).استُخدم مُحسِّن AdamW أثناء التدريب، مع ضبط معلمات التعلم المناسبة، لما مجموعه 205,000 خطوة تدريب. وعُدِّل معدل التعلم باستراتيجية زيادة معدل التعلم في البداية ثم خفضه. وكما هو موضح في الشكل أدناه، تُبيِّن هذه الدراسة تأثير أحجام النماذج المختلفة واستخدام بيانات قمر غايا الصناعي على الأداء، مما يُوفر مرجعًا لاختيار النموذج لاحقًا.

بعد التدريب الكامل، يمتلك AION-1 مجموعة متنوعة من وظائف التوليد العملية، تدعم مهامًا تتراوح من إكمال البيانات إلى تحويل البيانات عبر الأجهزة. تكمن ميزته الأساسية في قدرته على فهم العلاقات الشاملة بين جميع أنواع البيانات، مما يُمكّن من توليد أنواع أخرى من عينات البيانات ذات خصائص فيزيائية متسقة، حتى مع بيانات رصد جزئية فقط.

النتائج التجريبية: تم تحسين دقة الانزياح الأحمر بمقدار 16 مرة، وهو إنجاز كبير في أداء الذكاء الاصطناعي الفلكي المتعدد الوسائط.

يكمن الاختراق الذي حققه نموذج AION-1 في قدرته على توليد تمثيلات عامة مباشرةً ذات معنى فيزيائي واضح، دون قيود على نوع البيانات، دون الاعتماد على عمليات إشراف معقدة مصممة لمهام محددة. بناءً على هذه الآلية، يُظهر النموذج أداءً ممتازًا في حالتين رئيسيتين: التوليد متعدد الأنماط والتقدير اللاحق القياسي.

من حيث التوليد عبر الوسائط،يُمكّن نموذج AION-1 من توليد بيانات عالية الأبعاد بشكل مشروط، مما يدعم بفعالية تحويل البيانات بين الأجهزة وتحسين جودة الرصد. ويتمثل التطبيق الأكثر تمثيلاً في توليد أطياف DESI عالية الدقة من بيانات أقمار غايا الصناعية منخفضة الدقة: وكما هو موضح في الشكل أدناه، فرغم أن البيانات الأولى تتميز بتناثر أعلى بمقدار 50-100 مرة، إلا أن النموذج لا يزال قادرًا على إعادة بناء مراكز الخطوط الطيفية وعرضها وسعاتها بدقة. ويُمكّن هذا التطور من إجراء تحليل فلكي مُفصّل بناءً على بيانات منخفضة الدقة ومتاحة على نطاق واسع.وهذا أمر ذو أهمية كبيرة في خفض تكاليف البحث وتحسين استخدام البيانات.

فيما يتعلق بتقدير المعلمات،يمكن لنموذج AION-1 الاستدلال مباشرةً على توزيع قيم المقاييس الكمية. وباستخدام تقدير الانزياح الأحمر كمثال، كما هو موضح في الشكل أدناه، فإن نتائج المجرات النموذجية في ظل ثلاثة ظروف من تزايد محتوى المعلومات هي كما يلي: يكون التوزيع متناثرًا نسبيًا عند استخدام البيانات الضوئية الأساسية فقط؛ ويتقارب بشكل ملحوظ بعد إضافة التصوير متعدد النطاقات؛ وتتحسن دقة التقدير بشكل ملحوظ بعد إضافة أطياف عالية الدقة، مما يشير إلى أن النموذج قادر على دمج المعلومات متعددة المصادر بفعالية لتحسين نتائج التقدير.

للتحقق من قدرات النموذج،كما أجرى فريق البحث تجارب في أربعة اتجاهات:

* تقدير الممتلكات المادية

  بالنسبة لمعايير مثل كتلة النجم ودرجة حرارة سطحه، والتي تتطلب عادةً عمليات رصد عالية الدقة لاستخلاصها، تستكشف هذه الدراسة استخدام AION-1 لتقديرها مباشرةً من بيانات منخفضة الدقة. أظهرت الاختبارات التي أُجريت على 120,000 عينة من المجرات تفوقه أو مطابقته للنماذج المُشرفة المُخصصة؛ وفي الاختبارات التي أُجريت على 240,000 عينة نجمية، تفوق حتى على النماذج الأساسية المُحسّنة خصيصًا في مهمة "التنبؤ بالمعايير عالية الدقة بناءً على بيانات غايا منخفضة الدقة".

* التعلم الدلالي القائم على التعليقات التوضيحية للخبراء (التعلم من العلامات البشرية الدلالية) 

في مهمة تصنيف مورفولوجيا المجرات (8000 عينة مُعَلَّمة)، لا تتجاوز دقة AION-1 دقة النماذج المُخصصة المُدرَّبة من الصفر فحسب، بل تُضاهي أيضًا دقة النماذج الحديثة المُدرَّبة ببيانات مُعَلَّمة أكثر بعشرات المرات. في مهمة التجزئة الدلالية لبنية المجرات (2800 عينة)، تتوافق نتائجها المُولَّدة بشكل كبير مع البيانات المُعَلَّمة بواسطة البشر، ويتفوق أداؤها على أداء خطوط الأساس التلافيفية الكاملة البسيطة.

* الأداء في نظام البيانات المنخفضة 

في معالجة المشكلة الشائعة المتمثلة في ندرة التعليقات التوضيحية في الأبحاث الفلكية، تظهر التجارب أن AION-1 يتمتع بميزة أكثر أهمية عندما تكون البيانات محدودة، ويمكن أن يتطابق أداءه أو حتى يتجاوز النماذج الخاضعة للإشراف والتي تتطلب بيانات تدريب أكبر بمقدار عشرة أضعاف.

* الاسترجاع القائم على التشابه 

في مواجهة تحديات الأجرام السماوية النادرة مثل العدسات الجاذبية القوية (التي تمثل حوالي 0.11 TP3T) ونقص التعليقات التوضيحية الكافية، أظهر AION-1 أداءً متفوقًا في ثلاث فئات من الأهداف - المجرات الحلزونية، والمجرات المندمجة، ومرشحي العدسات القوية - من خلال استرجاع التشابه المكاني، متجاوزًا النماذج المتقدمة الأخرى ذاتية الإشراف في نتائج الاسترجاع.

تظهر هذه النتائج التجريبية بشكل جماعي أن AION-1 يوفر حلاً موحدًا وفعالًا لتحليل البيانات الفلكية المتعددة الوسائط، وخاصة إظهار مزايا كبيرة في السيناريوهات ذات البيانات النادرة والاستدلال عبر الوسائط.

الذكاء الاصطناعي المتعدد الوسائط يعزز البحث الفلكي: تقدم تعاوني بين الأوساط الأكاديمية والصناعة.

في السنوات الأخيرة، أصبح "البحث الفلكي المتعدد الوسائط المعتمد على الذكاء الاصطناعي" محور اهتمام المجتمعات الأكاديمية والصناعية العالمية، وهناك سلسلة من الإنجازات الرائدة التي تعيد تشكيل معالجة البيانات الفلكية وتطبيقها.

في الأوساط الأكاديمية، يكرّس الباحثون جهودهم لدمج قدرات الاندماج النووي متعدد الوسائط بشكل وثيق مع مسائل فلكية محددة. على سبيل المثال، خطة استكشاف الفضاء التي أعلن عنها مختبر الوسائط في معهد ماساتشوستس للتكنولوجيا عام ٢٠٢٥...من خلال الجمع بين الذكاء الاصطناعي المتعدد الوسائط وتقنية الواقع المعزز، تم تطوير نظام تحليل ذكي لمهام الإقامة القمرية.يمكن لهذا النظام دمج معلومات متعددة المصادر مثل صور الاستشعار عن بعد عبر الأقمار الصناعية وقراءات أجهزة الاستشعار البيئية وحالة تشغيل المعدات لتوفير دعم القرار في الوقت الفعلي لإدارة الموارد والتحذير من المخاطر في قاعدة قمرية محاكاة.

وفي الوقت نفسه، قام فريق بحثي من جامعة أكسفورد ومؤسسات أخرى بتطوير أداة فحص تعتمد على التعلم العميق يمكنها تحديد الإشارات الصالحة الناتجة عن انفجارات المستعرات العظمى بدقة من آلاف تنبيهات البيانات، مما يقلل كمية البيانات التي يحتاج علماء الفلك إلى معالجتها بنحو 851 TP3T.لا يتطلب مساعد البحث الافتراضي هذا سوى 15000 عينة تدريبية وقوة الحوسبة لجهاز كمبيوتر محمول عادي لإكمال التدريب.تم تحويل عملية الفحص اليدوي الروتينية إلى سير عمل آلي. حافظ النموذج النهائي على دقة عالية مع الحفاظ على معدل الإنذارات الكاذبة عند حوالي 1%، مما أدى إلى تحسين كفاءة البحث بشكل ملحوظ.
عنوان الورقة:مساعد البحث الافتراضي ATLAS
رابط الورقة:https://iopscience.iop.org/article/10.3847/1538-4357/adf2a1

تعمل الصناعة على تعزيز النشر العملي للذكاء الاصطناعي المتعدد الوسائط في مجال علم الفلك من خلال الإنتاج.في عام 2024، دخلت شركة NVIDIA في شراكة مع المرصد الجنوبي الأوروبي (ESO) لدمج تقنية تحسين الاستدلال بالذكاء الاصطناعي في سير عمل معالجة البيانات الطيفية للتلسكوب الكبير جدًا.من خلال الاستفادة من TensorRT لتسريع نماذج الاندماج المتعددة الوسائط، تم تحسين كفاءة التصنيف الطيفي للمجرات البعيدة بما يصل إلى ثلاثة أضعاف.

في عام ٢٠٢٥، تعاونت IBM مع ESO لتحسين نظام جدولة مراقبة البرق الافتراضية (VLT) باستخدام الذكاء الاصطناعي متعدد الوسائط. من خلال دمج معلومات متنوعة، مثل توقعات الطقس، وتغيرات سطوع السماء، وحمل المعدات، يمكن للنظام تعديل خطط المراقبة ديناميكيًا.ويؤدي هذا إلى زيادة معدل نجاح التقاط الأهداف في المجال الزمني مثل النجوم المتغيرة بواسطة 30%.

علاوةً على ذلك، تعاونت جوجل ديب مايند مع ليغو ومعهد جي إس إس آي لاقتراح طريقة تحكم تُسمى "تشكيل الحلقة العميقة" لتحسين دقة التحكم في كواشف الموجات الثقالية. تم التحقق من صحة هذه الوحدة على نظام ليغو حقيقي، وكان أداؤها الفعلي متوافقًا للغاية مع نتائج المحاكاة. وبالمقارنة مع النظام الأصلي،تعمل التقنية الجديدة على تحسين قدرات التحكم في الضوضاء بمقدار 30 إلى 100 مرة.ولأول مرة، تم القضاء بشكل كامل على مصدر الضوضاء في حلقة التغذية الراجعة الأكثر عدم استقرارًا وصعوبة في القمع في النظام.
عنوان الورقة:تحسين النطاق الكوني لمرصد الموجات الثقالية باستخدام تشكيل الحلقة العميقة
عنوان الورقة:https://www.science.org/doi/10.1126/science.adw1291

من الواضح أن بناء تمثيلات عامة متعددة الوسائط أصبح توجهًا واضحًا في تقاطع علم الفلك والذكاء الاصطناعي. تعمل الأوساط الأكاديمية باستمرار على تحسين التكنولوجيا الأساسية من خلال التعمق في المسائل العلمية، بينما يستغل القطاع الصناعي قدراته الهندسية لدفع تطبيق هذه التكنولوجيا وتطبيقها على نطاق واسع. يُكسر هذا التقدم التعاوني تدريجيًا القيود التقليدية المتمثلة في ارتفاع تكلفة عمليات الرصد ومعالجة البيانات المعقدة في البحوث الفلكية، مما يُمكّن المزيد من الباحثين من استكشاف أسرار الكون العميقة بمساعدة الذكاء الاصطناعي.

روابط مرجعية:

1.https://www.media.mit.edu/groups/space-exploration/updates/

2.https://www.eso.org/public/news/eso2408/

3.https://www.eso.org/public/news/eso2502/