I det gamle Babylonien registrerede stjernekiggere omhyggeligt nattehimlen og indridsede deres observationer i tavler for at notere de mest subtile himmelbevægelser.
Deres observationer lagde sammen med andre gamle civilisationer grunden til koryfæer som Johannes Kepler, der brugte Tycho Brahes data til at afsløre planeternes elliptiske baner, længe før vi havde redskaberne til at observere sådanne fænomener med vores egne øjne.
I dag er menneskeheden ikke mindre ivrig efter at afkode kosmos' forviklinger, og AI er blevet en partner i vores søgen efter svar.
Glaslinser til gigabytes
Teleskopet blev opfundet i begyndelsen af det 17. århundrede og gav astronomerne et vindue til kosmos.
For første gang kunne menneskelige øjne trænge ud over atmosfæren.
Ud over at observere himmellegemer direkte gennem teleskoper blev menneskeheden dygtig til at beregne samspillet mellem baner, hvilket til sidst fik den franske astronom Urbain Le Verrier til at forudsige Neptuns eksistens ud fra Uranus' bane, før det blev bekræftet i 1846.
Matematik og astronomi har været tæt forbundet i tusinder af år, og det er disse beregninger, som AI udmærker sig ved.
Kepler-rumteleskopets opsendelse i 2009 markerede en ny æra inden for udforskning af ekstrasolare planeter. Kepler fik til opgave at identificere exoplaneter - planeter, der ligger uden for vores solsystem - ved at overvåge lysstyrken på mere end 150.000 stjerner og sendte en kolossal mængde data tilbage til Jorden.
Selv om over 2.600 exoplaneter blev bekræftet under missionen, analyserer forskerne stadig dataene i dag.
I 2021, over 10 år efter at teleskopet blev lanceret, meddelte NASA, at en AI-model havde hjulpet forskerne med at tilføje 301 nyligt validerede exoplaneter til den samlede samling på 4.569.
Modellen, et dybt neuralt netværk ved navn ExoMinerkunne validere disse foreslåede exoplaneter på en robust måde - en bedrift, der ellers ville kræve langvarige manuelle analyser.
Hamed Valizadegan, leder af ExoMiner-projektet, sagde: "Når ExoMiner siger, at noget er en planet, kan man være sikker på, at det er en planet. ExoMiner er meget præcis og på nogle måder mere pålidelig end både eksisterende maskinklassifikatorer og de menneskelige eksperter, som den skal efterligne, på grund af de skævheder, der følger med menneskelig mærkning."
Universel oprindelse
Den vestaustralske outback er hjemsted for Murchison Widefield Array (MWA).
I modsætning til traditionelle teleskoper er MWA et radioteleskop, der lytter til universets tidlige radiobølger.
Ved at opfange radiosignaler fra rummet giver MWA et glimt af universets tilstand for næsten 13 milliarder år siden. Det er ikke uden udfordringer, da nutidens radiointerferens truer med at overdøve universets ældgamle udsagn.
Ved hjælp af AI kan forskere filtrere og differentiere mellem radiostøj og universets oprindelige hvisken, hvilket muliggør en mere præcis analyse.
Visualisering af himmelske objekter
Den Event Horizon-teleskopet (EHT)-projektet, som tog det første billede af et sort hul, var afhængig af AI-behandling for at konvertere sine observationer til noget klart og sammenhængende.
EHT samler flere teleskoper fra hele verden for at skabe et enestående megateleskop.
Ved hjælp af de kombinerede kræfter fra flere teleskopopstillinger kunne EHT observere det supermassive sorte hul i midten af Mælkevejen.
At omsætte disse observationer til et nøjagtigt billede kræver maskinlæring (ML) for at beregne den mest sandsynlige form og facon ud fra de tilgængelige data.
ML-modellen, PRIMOanalyserede 30.000 simulerede sorte hullers egenskaber for at skabe det meget omtalte billede nedenfor.
Det sorte hul anslås at være 6,5 milliarder gange så stort som Solen.
AI afdækker 'potentielt farlig' asteroide
Vi hører meget om AI's risici, men hvad nu, hvis den reddede os fra en dødbringende asteroide?
Forskere ved det kommende Vera Rubin-observatorium i det nordlige Chile opdagede for nylig en potentielt farlig asteroide ved hjælp af AI.
Vera Rubin-observatoriet i det nordlige Chile, som stadig er under opførelse, vil blive det kraftigste digitale kamera, der bruges til astronomisk fotografering,
HelioLinc3DAI-programmet, der er ansvarlig for denne opdagelse, blev designet til at støtte Vera C. Rubin-observatoriets bestræbelser på at opdage asteroider. Modellen blev anvendt i en testkørsel på ATLAS-observatoriet på Hawaii.
AI afslørede en ca. 180 meter bred asteroide med navnet 2022 SF289.
Dette himmelske objekt, som forventes at være omkring 182 meter bredt, forventes at komme så tæt på jorden som 225.000 kilometer.
Når man tænker på, at månens gennemsnitlige afstand fra jorden er omkring 384.400 km, er den tættere på, end de rå tal synes at antyde, og den betegnes derfor som en potentielt farlig asteroide (PHA). Bare rolig - den forventes ikke at ramme os.
HelioLinc3D er meget hurtigere og mere effektiv til at opdage potentielt farlige asteroider end de nuværende metoder.
Traditionelt kræver det, at man tager billeder af bestemte himmelsegmenter flere gange om natten, mens HelioLinc3D kræver færre observationer og fungerer godt med svage objekter.
Teleskoper opfanger ofte en tæt spredning af ubrugelig støj, når de observerer svage objekter, hvilket gør det usædvanligt udfordrende at opdage ægte asteroider.
Larry Denneau, ledende ATLAS-astronom, fremhævede den konsekvenser af denne opdagelse: "Enhver undersøgelse vil have svært ved at opdage objekter som 2022 SF289, der er tæt på dens følsomhedsgrænse, men HelioLinc3D viser, at det er muligt at finde disse svage objekter, så længe de er synlige over flere nætter. Det giver os faktisk et "større og bedre" teleskop."
Rubin-forsker og leder af HelioLinc3D-holdet Mario Jurić sagde: "Dette er bare en lille forsmag på, hvad vi kan forvente med Rubin-observatoriet om mindre end to år, når HelioLinc3D vil opdage et objekt som dette hver nat."
Han tilføjede: "Men mere generelt er det en forsmag på den kommende æra med dataintensiv astronomi. Fra HelioLinc3D til AI-assisterede koder vil det næste årti med opdagelser være en historie om fremskridt i algoritmer lige så meget som i nye, store teleskoper."
Bestemmelse af stjerners alder med AI
AI hjælper også forskere med at kortlægge universets historie.
En ny model, der er udviklet som en AI-forbedret version af et ældre projekt, EAGLES (Estimering af aldre ud fra litiumækvivalente bredder)analyserer tilstedeværelsen af litium i stjerner for at estimere deres alder.
Historisk set begynder alle stjerner deres liv med en lignende andel af litium. Men efterhånden som de ældes, nedbrydes dette litium med varierende hastighed på grund af faktorer som deres masse og tilhørende temperaturer.
En stjernes temperatur, som er et udtryk for dens masse, spiller en afgørende rolle for dens litiumforbrug.
I varmere stjerner forårsager øget konvektion i de ydre lag turbulens, hvilket sender litium dybere ind i stjernen, hvor det smelter sammen med protoner og danner to heliumkerner. Derfor falder litiumniveauet med tiden.
Ved at observere en stjernes litiumindhold sammen med dens temperatur kan astronomerne ekstrapolere dens alder.
Traditionelt har man bestemt en stjernes alder ud fra dens litium ved at vurdere styrken af litium i spektrografiske data og matche det med etablerede modeller for stjerneudvikling.
Denne proces var ikke kun besværlig, men også begrænset i omfang. George Weaver fra Keele University i Storbritannien bemærkede, at det er "svært at gøre og kræver en masse arbejde."
Weaver og astrofysikeren Robin Jeffries fra University of Keele udviklede EAGLES-algoritmen for at strømline denne proces.
Ved at træne EAGLES på et datasæt med 6.000 stjerner fra 52 klynger observeret af Gaia-missionenudviklede de en model, der kunne estimere en stjernes løn med minimalt manuelt arbejde.
EAGLES vil snart blive brugt til to omfattende undersøgelser: WEAVE-undersøgelsen på William Herschel-teleskopet i 2023 og 4MOST-undersøgelsen på VISTA-teleskopet ved Det Europæiske Sydobservatorium i 2024.
"Det er to store spektroskopiske undersøgelser, som ... vil tage spektre af bogstaveligt talt titusindvis af stjerner," siger Jeffries.
Et af målene med undersøgelserne er at kortlægge historien om stjernedannelse på tværs af forskellige stjernepopulationer i galaksen.
Elon Musks xAI
Vi kan ikke holde Elon Musk ude af en eksistentiel diskussion, der omfatter hele kosmos.
I juli afslørede Musk sit seneste måneskud. xAI. Denne ny mystisk AI-startup har til hensigt at undersøge presserende videnskabelige begreber som mørkt stof, mørk energi, Fermi-paradokset og eksistensen af rumvæsner.
Med Musks ord vil xAI undersøge "fundamentale spørgsmål" om "virkeligheden" og "universet".
Musk og hans team holdt en Twitter Spaces-diskussion om xAI, og selv om det var spændende, gav det ikke meget klarhed over startup-virksomhedens strategi. Fra august 2023 er der ingen konkrete oplysninger om, hvad den har tænkt sig at gøre og hvordan.
Godt resumé https://t.co/s2QE9zuzp4
- xAI (@xai) 15. juli 2023
Nogle spekulerer i, at xAI vil bygge videnskabs- og statistikorienterede AI-modeller for at sætte turbo på forskningen. Det kan tage form af en videnskabsorienteret AI-"generalagent", der kan udføre stort set alle de ovennævnte funktioner.
xAI kan bidrage med sin computerkraft til videnskabelige forskere og afhjælpe nogle af de flaskehalse, der er forbundet med at implementere komplekse modeller i akademiske miljøer.
På den anden side kulminerer xAI måske bare i endnu en stor sprogmodel (LLM), eller måske bliver det slet ikke til noget - selvom det ville være skuffende i betragtning af kaliberen på startup-virksomhedens grundlæggerteam.
Hvis xAI leverer en superkraftig AI-model til forskningsformål, kan det gøre det muligt for forskere at skabe specialiserede modeller til alle mulige anvendelser inden for fysik, astronomi, medicin, klimatologi og andre områder.
På trods af sine problemer giver AI menneskeheden redskaber til at udforske nye grænser, som man ikke troede var mulige for bare få år siden.
Denne teknologi, som stadig er i sin vorden, viser sit potentiale til at identificere farlige asteroider, exoplaneter og stjerners alder, så vi kan udvide vores kosmiske horisont og vores viden om universet.
Bortset fra alle risici er det fristende at bruge AI til at udforske universets hemmeligheder.
