گاهی یک کشف بزرگ، نه با تلسکوپی تازه و نه با مأموریتی میلیارددلاری، بلکه با سرزدن دوباره به همان عکسهای قدیمی اتفاق میافتد. آرشیو هابل ۳۵ سال است روی هم تلنبار شده؛ میلیونها تصویر از آسمان که بسیاریشان فقط یکبار دیده شدهاند، آن هم با چشم انسان. حالا یک ابزار هوش مصنوعی کاری کرده که آدمها در دههها از پسش برنیامده بودند: پیدا کردن چیزهایی که «به قاعده» درنمیآیند.
تیمی از دانشمندان آژانس فضایی اروپا (ESA) با استفاده از یک شبکه عصبی اختصاصی، در میان آرشیو تصاویر تلسکوپ فضایی هابل بیش از هزار «ناهنجاری» شناسایی کردهاند؛ یافتهای که طبق اعلام ناسا، بخش قابلتوجهی از آنها سالها از نگاه پژوهشگران دور مانده بود. این پروژه در مقالهای تازه در نشریه Astronomy & Astrophysics منتشر شده و از آن بهعنوان نخستین جستوجوی نظاممند ناهنجاریهای اخترفیزیکی در کل آرشیو هابل یاد میشود.
دیوید او’رایان، اخترفیزیکدان ESA و نویسنده اصلی پژوهش، در بیانیهای که ناسا منتشر کرده گفته است آرشیو هابل اکنون یک گنجینه واقعی است؛ دادههایی که میتوانند میزبان پدیدههای کمیاب یا ناشناخته باشند، فقط باید کسی (یا چیزی) حوصله کند و آنها را دقیقتر بکاود.
برای همین سراغ ابزاری رفتند که اسمش را AnomalyMatch گذاشتهاند؛ شکارچی خودکارِ ناهنجاریها. شیوه کارش هم شبیه همان کاری است که مغز ما هنگام دیدن عکس انجام میدهد، اما در مقیاس دیوانهوار. پژوهشگران نزدیک به ۱۰۰ میلیون «تکه» از تصاویر هابل را به آن دادند؛ برشهایی چندپیکسلی، کوچک و ظاهراً کماهمیت. نتیجه؟ کمتر از سه روز زمان لازم بود تا شبکه عصبی بیش از ۱۳۰۰ شیء غیرمعمول را بیرون بکشد؛ و جذابتر اینکه بیش از ۸۰۰ موردشان در ادبیات علمی ثبت نشده بودند.
این ناهنجاریها از کجا میآیند؟ طبق توضیح ناسا، بخش بزرگی از آنها مربوط به برخوردها و درهمتنیدگیهای خشن کهکشانهاست؛ همان رویدادهای پرآشوبی که به «ادغام کهکشانی» معروفاند و میتوانند ساختار یک کهکشان را زیرورو کنند. اما قصه همینجا تمام نمیشود. هوش مصنوعی نوعی از کهکشانها را هم پررنگ کرده که اسمشان خودش تیتر است: کهکشانهای عروس دریایی. تودههایی با رشتههای گازِ ستارهساز که از یک سمتِ دیسک اصلی آویزان میشوند و مثل شاخک، در فضا کش میآیند؛ تصویری شاعرانه، اما از دل یک فیزیک بیرحم.
بین «عجیبها» موارد دیگری هم هست: دیسکهای تشکیل سیاره که از لبه دیده میشوند و بهطرز خندهداری شبیه همبرگر به نظر میرسند؛ یا لنزهای گرانشی که در آنها جرم عظیمِ پیشزمینه (مثل یک کهکشان) نور اجرام دورتر را خم میکند و نقش ذرهبین کیهانی را بازی میکند. بعضی از اشیای بیرونکشیدهشده هم آنقدر خارج از قالب بودهاند که عملاً زیر هیچ برچسب آشنایی جا نمیگرفتند؛ چیزی که بهتنهایی میتواند موتور چند پروژه رصدی و نظری تازه باشد.
ارزش این مدلها فقط در «پیدا کردن چیزهای عجیب» خلاصه نمیشود؛ اصل ماجرا، افزایش بازده علمی از دادههای قدیمی است. وقتی یک آرشیو بزرگ مثل هابل دههها داده تولید کرده، بسیاری از شگفتیها لابهلای همان فایلها پنهان میمانند؛ نه چون دیده نمیشوند، بلکه چون فرصتِ دیدنشان نیست. از این زاویه، AnomalyMatch بیشتر شبیه یک همکار خستگیناپذیر است تا یک جایگزین برای اخترشناس.
این اتفاق در زمانی رخ میدهد که ناسا زیر فشارهای بودجهای و سیاسیِ سنگین، با کاهش منابع، تعطیلی بخشهایی از مراکز تاریخی و تعدیل نیرو دستوپنجه نرم میکند. همزمان، موج استفاده از هوش مصنوعی در بدنه دولت آمریکا هم بالا گرفته؛ از مدلهای سفارشیسازیشده برای کارهای اداری گرفته تا ابزارهایی برای سرعت دادن به فرایندهایی مثل بررسی و تأیید داروها. در چنین فضایی، یک موفقیت علمیِ کمهزینه و پربازده از دل آرشیو، حسابی به چشم میآید.
البته اخترشناسان تازه امروز عاشق هوش مصنوعی نشدهاند. سالهاست از این ابزارها برای تفسیر دیتاستهای عظیم استفاده میکنند؛ از شناسایی سیارههای فراخورشیدی با احتمال زیستپذیری گرفته تا بهبود بازسازی تصاویر سیاهچالهها. نسل قدیمیترِ این حوزه معمولاً با احتیاط جلو میرود و حق هم دارد: مدلها میتوانند خطا کنند، سوگیری داشته باشند یا چیزهای مهم را از قلم بیندازند. اما وقتی پای آسمانی با میلیاردها هدف احتمالی وسط باشد، یک سؤال ساده باقی میماند: اگر میشود سریعتر دید، چرا نه؟
