چگونه می‌‌توان از فناوری تشخیص چهره برای کشف اسرار ماده تاریک بهره برد؟

پنج‌شنبه ۱۱ مهر ۱۳۹۸ - ۲۲:۳۰
مطالعه 6 دقیقه
پژوهشگران می‌‌خواهند از شبکه‌‌های عصبی فناوری تشخیص چهره به‌کاررفته در گوشی‌‌های هوشمند برای تجزیه‌‌وتحلیل نقشه‌‌های کیهان‌‌شناسی و شناسایی ماده‌تاریک استفاده کنند.
تبلیغات

آیا می‌‌توان از فناوری به‌کاررفته در تشخیص چهره‌‌ی کاربر در گوشی‌‌های هوشمند برای رمزگشایی اسرار جهان نیز بهره گرفت؟ شاید این پرسش عجیب به‌‌نظر برسد؛ ولی گروهی از پژوهشگران علم و فناوری دانشگاه ای‌‌تی‌‌اچ زوریخ عملا به‌‌دنبال یافتن پاسخی مناسب برای آن هستند.

پژوهشگران با کمک انواعی از شبکه‌‌های عصبی مبتنی‌‌بر هوش مصنوعی که در فناوری تشخیص چهره به‌‌کار می‌‌رود، موفق شده‌‌اند ابزار هوش مصنوعی بسازند که می‌‌تواند نقشی تعیین‌‌کننده در اکتشاف یکی از مرموزترین پدیده‌‌های جهان هستی، یعنی ماده‌تاریک (Dark Matter) ایفا کند. فیزیک‌‌دانان می‌‌گویند درک این ماده‌‌ی مرموز کلید پاسخ به بنیادی‌‌ترین پرسش‌‌های حوزه‌‌ی جهان‌‌شناسی است. جانیس فلوری، یکی از دانشجویان دوره‌‌ی دکتری مشغول در آزمایشگاه ای‌‌تی‌‌اچ زوریخ است که درزمینه‌‌ی کاربرد شبکه‌‌های عصبی در حل مسائل کیهانی فعالیت می‌‌کند. او در مصاحبه با دیجیتال‌‌ترندز می‌‌گوید:

الگوریتمی که استفاده می‌‌کنیم، بسیار شبیه به الگوریتمی است که در فناوری تشخیص چهره به‌‌کار می‌‌رود. زیبایی هوش مصنوعی در این است که می‌‌تواند فرایند یادگیری را از هر نوع داده‌‌ای آغاز کند. در مثال تشخیص چهره، هوش مصنوعی به‌‌گونه‌‌ای آموزش می‌‌بیند که بتواند چشم‌ها و دهان و بینی را تشخیص دهد؛ در‌حالی‌که ما به‌‌دنبال ساختارهایی هستیم که بتواند سرنخ‌‌هایی درباره‌ی ماده‌تاریک به‌‌دستمان دهد. این الگوی تشخیص هسته‌‌ی اصلی الگوریتم است. درنهایت، ما تنها آن را برای تفسیر پارامترهای اصلی کیهان‌‌شناسی به‌‌کار گرفته‌‌ایم.

اهمیت ماده‌تاریک

پرسش مهم این است: پژوهشگران واقعا به‌‌دنبال چه‌‌ چیزی هستند؟ هم‌‌اکنون نمی‌‌توان درباره‌ی این موضوع اظهارنظر قطعی کرد؛ همان‌‌گونه که دادستان مشهور دادگاه عالی ایالات متحده، پاتر استوارت، در جمله‌‌ای به‌‌یادماندنی می‌‌گوید: «من زمانی می‌‌توانم چیزی را درک کنم که بتوانم آن را ببینم». بااین‌حال، مشکل اصلی درباره‌ی ماده‌تاریک همین است که هرگز نمی‌‌توان آن را دید.

نظریه‌‌ی وجود ماده‌تاریک حدود یک قرن پیش مطرح شده است. تصور می‌‌شود ۲۷ درصد جهان متشکل‌‌ از این ماده‌‌ی مرموز باشد. این میزان چیزی حدود ۶ برابر کل ماده‌‌ی معمولی موجود در جهان است. تمام آنچه در جهان می‌‌بینید؛ از ذرات تشکیل‌‌دهنده‌‌ی کهکشان‌‌ها، ستارگان، سیار‌ه‌ها و خود زمین فقط بخش بسیار کوچکی از کل ماده‌‌ی موجود در جهان است. بخش اعظم این ماده با ابزارهای ما رهگیری‌کردنی نیست. این بخش بزرگ از دنیای ماده نامرئی است و حتی می‌‌تواند از درون ماده‌‌ی عادی‌ای عبور کند که ما می‌‌بینیم.

۲۷ درصد جهان از ماده‌تاریک تشکیل شده است؛ یعنی چیزی حدود ۶ برابر کل ماده‌‌ی معمولی موجود در جهان

با اینکه ماده‌تاریک دیدنی نیست، وجود آن به‌‌واسطه‌‌ی دانسته‌‌های فعلی ما درباره‌‌ی طرزکار جهان پیش‌‌بینی‌پذیر است. دانشمندان می‌‌دانند سرعت گردش کهکشان‌ها به‌‌حدی است که هرگز نمی‌‌توانست به‌‌واسطه‌‌ی گرانش ناشی از ماده‌‌ی معمولی دوام آورد و باید فورا فرومی‌‌پاشید. بنابراین، ماده‌تاریک تعریف شد تا بتواند توضیح‌‌دهنده‌‌ی میزان گرانش موردنیاز برای پایدار نگه‌‌داشتن کهکشان‌‌ها باشد. به‌‌دلیل وجود همین ماده‌تاریک است که ماده‌‌ی معمولی می‌‌تواند در قالب اجرام آسمانی و ستارگان و سیار‌‌ه‌ها در جهان وجود داشته باشد.

لنز گرانشی ضعیف

ماده تاریک / Dark matter

تلاش برای دیدن آنچه نامرئی است، خود بزرگ‌‌ترین مشکل است؛ اما خوشبختانه راهی وجود دارد که دانشمندان بتوانند محل احتمالی حضور ماده‌تاریک را حدس بزنند. این کار ازطریق رصد اعوجاج‌‌های ایجادشده در مسیر نور ناشی از کهکشان‌‌های دورتر در حضور کهکشان‌‌های بزرگ‌‌تر امکان‌‌پذیر خواهد بود. این روش به‌نام لنز گرانشی ضعیف (Weak gravitational lensing) معروف است.

رصد نواحی حاشیه‌‌ای خوشه‌‌های کهکشانی عظیم به ستاره‌‌شناسان اجازه خواهد داد اعوجاج تصویر به‌‌دست‌‌آمده از کهکشان‌‌های پس‌‌زمینه را شناسایی کنند. با مهندسی معکوس این اعوجاج‌‌ها، دانشمندان خواهند توانست نقاطی را شناسایی کنند که بیش‌ترین تراکم ماده (چه از نوع مرئی و چه از نوع نامرئی) را دارند. این پدیده چیزی شبیه به دیدن سراب در یک روز گرم است؛ سرابی که ناشی از تصاویری مبهم و پراعوجاج از اشیائی در دوردست هستند. فلوری توضیح می‌دهد:

در گذشته، فرد مجبور بود برای مطالعه‌‌ی پدیده‌‌ی لنز ضعیف، به‌‌صورت دستی ویژگی‌‌های لازم را گزینش کند. این روند بسیار پیچیده است و هیچ تضمینی وجود ندارد که ویژگی‌های گزینش‌‌شده تمامی اطلاعات مربوط را شامل باشند. ما این مشکل را با کمک هوش مصنوعی حل کرده‌‌ایم. شبکه‌‌ی عصبی کانولوشنال استفاده‌‌‌شده‌ی ما در تشخیص الگو برتری دارد.

شبکه‌‌ی عصبی کانولوشنال نوعی هوش مصنوعی برگرفته از ساختار مغز است که بیشتر برای طبقه‌‌بندی تصاویر به‌کار گرفته می‌‌شود. نورون‌‌ها درون چنین شبکه‌‌ای از قابلیت آموزش‌‌پذیری مشابه با شبکه‌‌های عصبی معمولی برخوردار هستند؛ با‌این‌حال، ازآنجاکه ورودی چنین الگوریتمی فقط تصاویر هستند، سازندگان آن می‌‌توانند در تعداد پارامترهای تعریف‌پذیر در شبکه صرفه‌‌جویی بیشتری کنند. نتیجه‌‌ی چنین رویکردی افزایش بازدهی کل سیستم خواهد بود. دکتر توماش ککپروزاک، یکی از نویسندگان پژوهش اخیر می‌‌گوید:

به بیان ساده با واردکردن حجم عظیم داده، شبکه مجموعه‌ای از فیلترهای پیچیده را تولید می‌‌کند تا اطلاعات مفید را از نقشه‌‌ها استخراج کند. سپس شبکه تلاش می‌‌کند این فیلترها را به‌‌شیوه‌‌ای ترکیب کند تا دقیق‌‌ترین پاسخ ممکن را دراختیارمان بگذارد.
ماده تاریک / Dark matter

استخراج پارامترهای کیهان‌‌شناسی

پژوهشگران شبکه‌‌ی عصبی خود را با مجموعه‌‌ای از داده‌‌ها آموزش دادند. پیش‌‌تر، رایانه این داده‌ها را با هدف شبیه‌‌سازی جهان تولید کرده بود. این رویه به شبکه اجازه داد به‌‌صورت مکرر نقشه‌‌های مربوط به ماده‌تاریک را تجزیه‌‌وتحلیل کند تا نهایتا بتواند پارامترهای کیهان‌‌شناسی را از دل تصاویر واقعی آسمان شب استخراج کند. براساس تجزیه‌وتحلیل‌های آماری، فرایند اخیر بهبودی ۳۰ درصدی در مقایسه با روش‌‌های سنتی از خود نشان داده است. فلوری درادامه توضیح می‌‌دهد:

الگوریتم‌‌های هوش مصنوعی در مرحله‌‌ی آموزش، به داده‌‌های فراوانی نیاز دارند. بسیار مهم است که این داده‌‌های آموزشی تا حد امکان دقیق باشند؛ در غیر این صورت، الگوریتم ویژگی‌‌هایی را آموزش خواهد دید که در داده‌‌های واقعی وجود ندارند. برای موفقیت در این امر، باید شبیه‌‌سازی بزرگ و دقیقی پیاده‌‌سازی کنیم که البته بسیار دشوار خواهد بود. پس‌از‌آن، باید الگوریتم را به‌‌گونه‌‌ای دست‌کاری کنیم تا بهترین عملکرد حاصل شود. با آزمودن چندین معماری شبکه می‌‌توان عملکرد را بهینه‌‌سازی کرد.

در مرحله‌‌ی بعدی، پژوهشگران از شبکه‌‌ی عصبی آموزش‌‌دیده‌‌ی خود برای تجزیه‌وتحلیل نقشه‌‌های واقعی ماده‌تاریک استفاده می‌‌کنند. این نقشه‌‌ها از مجموعه‌‌داده‌‌های موسوم به KiDS-450 مربوط به تلسکوپ نقشه‌‌برداری VLT در شیلی استخراج می‌‌شوند. این مجموعه‌‌داده‌‌ها مساحتی به‌‌وسعت ۲،۲۰۰ برابر مساحت کره‌‌ی ماه را پوشش می‌‌دهند؛ مجموعه‌‌ای عظیم که اطلاعات مربوط به ۱۵ میلیون کهکشان را دربر می‌‌گیرد.

استخراج پارامترهای کیهان‌شناسی اولین مورد از کاربرد هوش مصنوعی برای تحلیل داده‌‌های واقعی کیهان‌‌شناسی است

ازآنجاکه حجم این داده‌‌ها بیش‌از‌اندازه بزرگ است، پژوهشگران برای راه‌‌اندازی هوش مصنوعی خود به ابررایانه نیاز داشتند. آن‌‌ها سیستم خود را روی رایانه‌‌ای واقع در مرکز ملی ابرپردازش سوئیس واقع در لوگانو پیاده‌‌سازی کردند. ابررایانه‌‌های واقع در این مرکز برای تمامی دانشگاه‌‌ها و مؤسسه‌های تحقیقاتی سوئیس دردسترس است. یکی از نکات جالب درباره‌ی این مرکز، تمهیدات خنک‌‌سازی درنظر گرفته‌شده برای رایانه‌‌ها است. این رایانه‌‌ها به‌‌حدی قدرتمند هستند که برای جلوگیری از گرمایش بیش‌از‌حد آن‌‌ها، به پمپاژ آب از دریاچه‌‌ی لوگانو به مرکز با دبی ۴۶۰ لیتر‌بر‌ثانیه نیاز خواهد بود.

کهکشان

ظهور هوش مصنوعی کیهان‌شناس

فلوری می‌‌گوید این اولین مورد از کاربرد هوش مصنوعی برای داده‌‌های واقعی کیهان‌‌شناسی است که تمامی جنبه‌‌های عملی مرتبط با آن را نیز شامل می‌‌شود. او می‌‌افزاید:

می‌‌توانیم ثابت کنیم این روش می‌‌تواند با استفاده از مجموعه‌داده‌‌ی نسبتا کوچک، نتایجی یکپارچه ارائه کند. امیدواریم از این روش نه‌‌تنها برای رصدهای بزرگ‌‌تر، بلکه برای اندازه‌‌گیری تعداد بیشتری از پارامترهای کیهان‌‌شناسی و شناخت ویژگی‌‌های دیگر اخترفیزیک بهره ببریم. همچنین، امیدواریم بتوانیم به بینش تازه‌‌ای درباره‌‌ی بخش‌های تاریک جهان هستی دست یابیم.

بنابر گفته‌‌ی فلوری، تیم پژوهشی اکنون به اطلاعاتی فراتر از مجموعه‌‌داده‌‌ی KiDS-450 دسترسی پیدا کرده است و اکنون مجموعه‌‌داده‌‌های جدیدتر و بهتری دراختیار آن‌‌ها قرار دارد؛ به‌‌‌ویژه درباره‌‌ی موضوع انرژی تاریک که دانشگاه‌‌ها و مؤسسه‌های ایالات متحده، برزیل، بریتانیا، آلمان، اسپانیا و سوئیس نقشه‌‌برداری بزرگ‌‌مقیاسی (شامل طیف مرئی و فروسرخ) کرده‌اند. فلوری می‌افزاید:

با‌این‌حال، پیش از آنکه مجموعه‌‌داده‌‌های جدید را تجزیه‌‌وتحلیل کنیم، به توسعه‌‌ی روش‌‌های جدیدتری نیاز داریم تا بتوانیم این حجم بزرگ از داده‌‌ها را مدیریت کنیم. در‌حال‌حاضر، مشغول آزمایش چنین روش‌‌هایی هستیم. بعد از این مرحله، درباره‌ی مجموعه‌‌داده‌‌ی بعدی صحبت خواهیم کرد. هنوز نمی‌‌توانم چهارچوب زمانی خاصی تعیین کنم؛ چراکه چنین امری به نوع مجموعه‌‌داده‌‌ی انتخابی و الزامات مربوط به شبیه‌‌سازی آن وابسته خواهد بود.
تبلیغات
داغ‌ترین مطالب روز

نظرات

تبلیغات