Astronomowie w przyszłości nie poradzą sobie bez AI. Powstaje nowy model

Czeka nas wdrożenie kolejnego modelu AI, czyli Chat GPT-5, z którym komunikacja ma być już nie do odróżnienia od konwersacji z człowiekiem. Czasem ważna jest jednak konkretna specjalizacja AI, a nie naturalność komunikacji. Mowa tu o świecie astronomii obserwacyjnej, która szykuje się na kolejną rewolucję w ciągu ostatnich kilkudziesięciu lat. W latach 80. i 90. XX wieku nastąpiła transformacja ze świata analogowego, w którym astronomowie korzystali między innymi z klisz jako detektorów światła, do świata cyfrowego, w którym królowały sensory CCD. Ta zmiana umożliwiła coraz bardziej całościowe podejście do problemów obserwacyjnych. Już nie skupiano się na pojedynczych obiektach, ale całych ich grupach.

Mozaika 42 sensorów CCD wykorzystana w teleskopie kosmicznym Kepler, który w latach 2009 - 2018 odkrył ponad 2600 planet pozasłonecznych. (fot: NASA/BallAerospace)

A nawet jeśli nie były to masowe obserwacje, których protoplastą jest między innymi polski projekt OGLE z Uniwersytetu Warszawskiego, to od momentu wdrożenia cyfrowych sensorów, pozyskiwanie danych stało się proste. Naukowcy mieli więcej czasu, by skupić się na analizie teoretycznej obserwacji, bo resztę wykonywały za nich stopniowo coraz potężniejsze komputery. W miarę rozwoju technologii cyfrowych zwiększeniu uległa liczba danych, które trzeba przetwarzać. Wraz z nadejściem AI udowodniła ona swoją ogromną przydatność w analizie dużej liczby danych - ponownie to astronomowie byli jednymi z pierwszych, którzy tworzyli ogromne zasoby informacji, początkując tzw. erę big data. Wciąż jednak jesteśmy, z niewielkimi wyjątkami, w świecie stosunkowo niewielkiej liczby danych pozyskiwanych z obserwacji na bieżąco. Z nimi poradzilibyśmy sobie nawet bez AI, operując zwykłymi algorytmami komputerowymi. To jednak w najbliższych latach się zmieni.

Nadchodzi era superteleskopów i superkamer cyfrowych

Kolejny przełom w astronomii wiąże się z zastosowaniem ogromnej rozdzielczości kamer, a także teleskopów o bardzo dużej aperturze (25 do 40 metrów) co znakomicie zwiększy liczbę wykrywanych i monitorowanych obiektów.

Superteleskopy, czyli ELT (Extremely Large Telescope) ze zwierciadłem o średnicy 39 m, GMT (Giant Magellan Telescope) o średnicy 25 metrów już dawno przekroczyły półmetek budowy i terminy ich uruchomienia pod koniec trzeciej dekady XXI wieku stały się realne. Choć są budowane na Ziemi i mają ograniczenia, których nie ma na przykład teleskop Webb, to pod względem rozdzielczości przestrzennej teleskop z 25. metrowym zwierciadłem będzie czerokrotnie lepszy. A w reżimie spektralnym nawet 100. krotnie. To co było kiedyś w polu widzenia teleskopu plamą, rozdzieli się na tysiące jeśli nie miliony punktów reprezentujących poszczególne gwiazdy i inne obiekty. To właśnie jeden z przyczynków do większej liczby danych do przetrawienia przez komputery.

Vera Rubin Observatory - to miejsce, gdzie przez najbliższe lata astronomowie będa gromadzić rekordową liczbę danych. Większą niż dziesiątki innych obserwatoriów razem wziętych. (fot: NOIRLab)

Drugim przyczynkiem będą gigantycznej rozdzielczości kamery. Tu za wzorzec takich urządzeń należy uznać VRO (Vera Rubin Observatory), którego teleskop o średnicy 8,4 metra otrzymał największą w historii kamerę cyfrową o rozdzielczości 3,2 gigapiksela, czyli tyle co rozdzielczość 400 telewizorów 4K. Wyobraźcie sobie, by obejrzeć nieprzeskalowane pojedyncze zdjęcie wykonane kamerą VRO (a stałe fotografowanie nieba będzie głównym zadaniem tego teleskopu) potrzebny byłby wyświetlacz o powierzchni około 100 metrów kwadratowych (to mniej więcej tyle co przestrzeń do gry w tenisa stołowego). Przy założeniu, że upakowanie pikseli byłoby podobne jak w telewizorze o rozdzielczości 8K i przekątnej 55 cali.

Obejrzyj w

Nie ma mowy, by astronomowie samodzielnie, nawet tworząc najbardziej wymyślne algorytmy zdołali przetworzyć taką liczbę obserwacji na bieżąco, a nawet w dłuższej perspektywie. Bez AI tu się nie obędziemy, a i tak przed tym AI stawiane są wymagania, którym dotychczas żaden model nie miał okazji stawić czoła. Czasu na udoskonalenie AI jest niewiele, bo VRO ma rozpocząć regularne obserwacje już w drugiej połowie 2025 r.

AstroPT, czyli odpowiedź AI na zalew danych

W przypadku VRO wspominaliśmy już o algorytmach, które umożliwią wykrywanie nowych obiektów na podstawie skąpej liczby informacji, nawet przy dwóch obserwacjach. Pozostaje jednak kwestia przetworzenia 500 petebajtów, czyli 0.5 eksabajta, informacji w postaci zdjęć jakie zarejestruje przez 10 lat pracy teleskop VRO. W ciągu nocy będzie to około 30 terabajtów danych. Z tych danych powstaną bazy danych o objętości kilkudziesięciu petabajtów, skrywające ostatecznie dane o 37 miliardach obiektów, w tym 6 milionach obiektów w Układzie Słonecznym, ale też znacznie większej liczbie źródeł, które trzeba dopiero zaklasyfikować. I trzeba pamiętać, że to tylko wstępne szacunki - realnie danych może być jeszcze więcej, jeśli VRO wdrożone zostanie w dodatkowe projekty, takie jak dokładne katalogowanie pobliskich Ziemi asteroid.

Zbyt duża ilość danych bez technologii pozwalającej skutecznie je przetworzyć to to samo jakby w ogóle nie mieć tych danych - Cecillia Garaffo, astrofizyk komputerowy w Harvard-Smithsonian Center for Astrophysics, w rozmowie z MIT Technology Review.

Brak zdolności do efektywnego przetworzenia wszystkich zebranych danych uczyni budowę tak potężnej kamery w jaką wyposażono VRO bezsensowną. Nie można tu bowiem mówić o przetworzeniu części informacji. To gra typu wszystko albo nic. By stawić czoła temu zalewowi danych astronomicznych powstaje AstroPT, czyli Astro Pretrained Transformer, AI podobne do GPT-2, zdolne traktować obraz predykcyjnie, czyli na podstawie niewielkiej jego części zwanej tokenem (o rozmiarze 16 x 16 pikseli - w ciągu nocy trzeba będzie przetworzyć 12 miliardów takich elementów) przewidywać co powinna zawierać kolejna część. I tutaj pojawia się problem - nie dysponujemy podobnie obfitymi zestawami danych, by zagwarantować skuteczne wyszkolenie AstroPT.

Podział obrazu galaktyki na poszczególne "tokeny" wykorzystane do trenowania AstroPT w kolejności oznaczonej numerami.

Pomocą mogą tu stać się dane obserwacyjne, co oznacza, że AstroPT będzie doskonaliło się dzięki temu czym już dysponują astronomowie, a także wykorzysta to co zarejestruje teleskop VRO. W podobny sposób doskonalone jest AI, z którego korzystamy w bardziej codziennych zastosowaniach.

Źródło: MIT Tech Review, inf. własna, UniverseToday