Enabling New Discoveries with Machine Learning

أصبح الكون صاخبًا للغاية بحيث لا يمكن للأذن البشرية الاستماع إليه بمفردها. ففي السنوات القادمة، ستبدأ تلسكوبات جديدة ضخمة في مسح السماء، وتلتقط صورًا وإشارات بوتيرة تفوق أي شيء واجهه علماء الفلك من قبل. أحد هذه المشاريع، وهو مرصد "فيرا سي روبين"، سيقوم في النهاية بفهرسة ما يقرب من 20 مليار مجرة ضوئية، وسيرصد شيئًا يتغير في السماء أكثر من 10 ملايين مرة في كل ليلة. ومشروع آخر، وهو "مصفوفة الكيلومتر المربع"، سيكتشف أكثر من مليار مجرة راديوية. وعندما تصل البيانات بهذه الكميات الهائلة، تصبح الطريقة القديمة المتمثلة في جلوس العالم للنظر في كل صورة أو إشارة واحدة تلو الأخرى أمرًا مستحيلاً. لم يعد التحدي يكمن فقط في جمع البيانات، بل في العثور على الإبرة في كومة القش عندما تكون كومة القش بحجم كوكب.

ولحل هذه المعضلة، يتجه الباحثون إلى تعلم الآلة، وهو مجال تتعلم فيه الحواسيب التعرف على الأنماط دون أن يتم برمجتها صراحةً لكل قاعدة. ومع ذلك، فإن مجرد برنامج حاسوبي بسيط يضع علامة على أي شيء غير عادي ليس كافيًا. ففي مجموعة بيانات تحتوي على مليارات الأجسام، قد يصنف الحاسوب خللًا في الكاميرا أو بقعة على العدسة على أنها "غريبة"، رغم أنها لا تحمل أي قيمة علمية. الهدف الحقيقي هو العثور على الشذوذات المثيرة للاهتمام حقًا: الأجسام النادرة أو الجديدة أو غير المتوقعة التي قد تعيد كتابة فهمنا للكون. وهنا يأتي دور عمل ميشيل لوشنر وزملائها، حيث يقدمون طريقة جديدة لسد الفجوة بين القدرة الحوسبية الخام والفضول البشري.

لقد طور الباحثون أداة تسمى "astronomaly"، وهي نظام مصمم لمساعدة العلماء على غربلة هذه المجموعات الضخمة من البيانات بكفاءة. وبدلاً من محاولة تعليم الحاسوب بدقة كيف يبدو نوع جديد من الأجسام -وهو أمر مستحيل إذا لم يسبق لأحد رؤيته من قبل- يستخدم النظام طريقة تسمى "التعلم النشط". في هذه العملية، يقوم الحاسوب بمسح البيانات ويقدم مجموعة صغيرة من المرشحين الأكثر واعدية إلى عالم بشري، ثم يقوم العالم بعد ذلك بتصنيف هذه المرشحين كأجسام مثيرة للاهتمام أو غير مثيرة للاهتمام. يتعلم الحاسوب من هذه الاختيارات، ويصقل فهمه لما يجده الإنسان ذا قيمة، ثم يقوم بفرز بقية البيانات بناءً على ذلك. وهذا يخلق شراكة حيث يتولى الآلة العمل الشاق في الفرز، بينما يوفر الإنسان الحدس اللازم لرصد الاكتشافات المهمة حقًا.

وقد أدى هذا النهج بالفعل إلى نتائج حقيقية. فباستخدام "astronomaly"، حدد الفريق نوعًا جديدًا من المصادر الراديوية يسمى "SAURON"، وهو اختصار لـ "حلقة غير متساوية ومنحدرة من الإشعاع غير الحراري" (Steep and Uneven Ring of Nonthermal radiation). هذا الجسم، الذي وُجد في بيانات من مسح "MeerKAT" لعنقود المجرات، لا يشبه أي مصدر معروف، وقد يكون بقايا اندماج ثقبين أسودين فائقين الكتلة. كما ساعد النظام أيضًا في الكشف عن نجوم متغيرة غير عادية وعمليات اندماج مجرات كانت قد غابت عن الطرق التقليدية. وفي إحدى الحالات، حللت الأداة ما يقرب من 4 ملايين صورة ضوئية من مسح "Dark Energy Camera Legacy Survey"، حيث سلطت الضوء على اثني عشر مصدرًا محددًا وجد الخبراء البشريون أنها الأكثر إثارة للاهتمام، بما في ذلك أجسام تحدت التصنيف القياسي.

يكمن جزء رئيسي من هذا النجاح في كيفية فهم الحاسوب للبيانات. لعقود من الزمن، كان على العلماء تصميم الميزات التي يجب أن يبحث عنها الحاسوب يدويًا، مثل شكل المجرة أو سطوع النجم بمرور الوقت. كانت هذه خطوة صعبة غالبًا ما حدت مما يمكن للحاسوب العثور عليه. ويظهر العمل الجديد أن استخدام "التعلم العميق"، وهو شكل أكثر تقدمًا من تعلم الآلة، يسمح للحاسوب باستكشاف هذه الميزات من تلقاء نفسه. ومن خلال تدريب الحاسوب على التعرف على الأنماط المعقدة في الصور، يمكن للنظام إنشاء خريطة داخلية غنية للبيانات. وعندما طبق الباحثون هذه الطريقة، وجدوا أن الحاسوب يمكنه تجميع المجرات المتشابهة معًا وفصل الأجسام غير العادية بدقة أكبر بكثير مما كان عليه الحال في السابق.

ومع ذلك، اكتشف الباحثون تحولًا دقيقًا ولكن مهمًا في كيفية عمل هذه الأنظمة المتقدمة. فعند استخدام الميزات القديمة المصممة يدويًا، كانت الأجسام الغريبة تميل إلى الجلوس على الحافة القصوى لخريطة البيانات، مما يجعل رصدها كقيم شاذة أمرًا سهلاً. ولكن مع طرق التعلم العميق الجديدة، غالبًا ما توجد الأجسام الغريبة في عمق الخريطة، مختلطة مع الأجسام العادية. والحاسوب الذي يبحث فقط عن الأشياء التي تقع على الحافة سيفوتها. ولحل هذه المشكلة، قام الفريق بتحسين نهجهم باستخدام نسخة من الأداة تسمى "astronomaly: protege". فبدلاً من البحث فقط عن الغرابة الإحصائية، تركز هذه النسخة بالكامل على ما يجده المستخدم البشري مثيرًا للاهتمام، وتتعلم مباشرة من ملاحظاته للتنقل في خريطة البيانات المعقدة.

ويخلص البحث إلى أن مستقبل الاكتشاف في علم الفلك يعتمد على هذا النوع المحدد من الشراكة بين الإنسان والآلة. ومع تزايد تدفق البيانات من التلسكوبات الجديدة، ستكون القدرة على أتمتة البحث عن الاستثناءات أمرًا ضروريًا. ويجادل الباحثون لأنه بما أن صفة "مثير للاهتمام" هي صفة ذاتية تختلف من عالم لآخر، فإن أفضل مسار للمضي قدمًا ليس محاولة تعريفها بدقة في الكود البرمجي، بل بناء أنظمة تتعلمها منا. ومن خلال الجمع بين سرعة الآلات وحدس الخبراء البشر، يمكن لعلماء الفلك ضمان ألا يضيع الاكتشاف العظيم القادم، والذي قد يكون مفاجئًا بقدر اكتشاف أول نباض بواسطة جوسلين بيل بورنيل في عام 1967، وسط الضجيج.