In het oude Babylonië hielden sterrenkijkers nauwgezet de nachtelijke hemel bij. Ze kerfden hun observaties in tabletten om de subtielste hemelbewegingen te noteren.
Hun observaties legden, samen met andere oude beschavingen, de basis voor grootheden als Johannes Kepler, die de gegevens van Tycho Brahe gebruikte om de elliptische banen van planeten te onthullen, lang voordat we de instrumenten hadden om dergelijke fenomenen met onze eigen ogen waar te nemen.
Vandaag de dag is de mensheid niet minder gretig om de fijne kneepjes van de kosmos te ontcijferen en AI is een partner geworden in onze zoektocht naar antwoorden.
Glazen lenzen tot gigabytes
De telescoop werd in het begin van de 17e eeuw uitgevonden en bood astronomen een venster op de kosmos.
Voor het eerst konden menselijke ogen voorbij de atmosfeer kijken.
Naast het direct waarnemen van hemellichamen met telescopen, werd de mensheid ook bedreven in het berekenen van de interacties tussen banen. Dit leidde er uiteindelijk toe dat de Franse astronoom Urbain Le Verrier het bestaan van Neptunus voorspelde op basis van de baan van Uranus, voordat dit in 1846 werd bevestigd.
Wiskunde en astronomie zijn al duizenden jaren nauw met elkaar verbonden en het zijn deze berekeningen waar AI in uitblinkt.
De lancering van de Kepler ruimtetelescoop in 2009 luidde een nieuw tijdperk in van onderzoek naar buitenaardse planeten. Kepler moest exoplaneten identificeren - planeten die buiten ons zonnestelsel liggen - door de helderheid van meer dan 150.000 sterren in de gaten te houden en stuurde een enorme hoeveelheid gegevens terug naar de aarde.
Hoewel er tijdens de missie meer dan 2600 exoplaneten zijn bevestigd, zijn onderzoekers nog steeds bezig met het analyseren van de gegevens.
In 2021, meer dan 10 jaar na de lancering van de telescoop, kondigde NASA aan dat een AI-model onderzoekers had geholpen om 301 nieuw gevalideerde exoplaneten toe te voegen aan de totale verzameling van 4.569.
Het model, een diep neuraal netwerk genaamd ExoMinerzou deze voorgestelde exoplaneten robuust kunnen valideren - een prestatie die anders langdurige handmatige analyse zou vereisen.
Hamed Valizadegan, de projectleider van ExoMiner, verklaarde: "Als ExoMiner zegt dat iets een planeet is, kun je er zeker van zijn dat het een planeet is. ExoMiner is zeer accuraat en in sommige opzichten betrouwbaarder dan zowel bestaande machine classificeerders als de menselijke experts die het moet emuleren, vanwege de vooroordelen die menselijke labeling met zich meebrengt."
Universele oorsprong
De West-Australische outback is het thuis van de Murchison Widefield Array (MWA).
In tegenstelling tot traditionele telescopen is de MWA een radiotelescoop die luistert naar de vroege radiogolven van het heelal.
Door radiosignalen uit de ruimte op te vangen, biedt de MWA een blik op de toestand van het heelal bijna 13 miljard jaar geleden. Dit is niet zonder uitdagingen, want de hedendaagse radio-interferentie dreigt de oude uitspraken van het universum te overstemmen.
Met behulp van AI kunnen onderzoekers filteren en differentiëren tussen radioruis en het gefluister van het heelal, waardoor een nauwkeurigere analyse mogelijk is.
Hemelobjecten visualiseren
De Event Horizon Telescoop (EHT), dat het eerste beeld van een zwart gat vastlegde, vertrouwde op AI-verwerking om zijn waarnemingen om te zetten in iets duidelijks en samenhangends.
De EHT voegt meerdere telescopen van over de hele wereld samen tot één megatelescoop.
Door de gecombineerde krachten van meerdere telescooparrays te gebruiken, kon de EHT het superzware zwarte gat in het centrum van de Melkweg waarnemen.
Om deze waarnemingen om te zetten in een nauwkeurige afbeelding is machine learning (ML) nodig om de meest waarschijnlijke vorm te berekenen op basis van de beschikbare gegevens.
Het ML-model, PRIMOheeft de eigenschappen van 30.000 gesimuleerde zwarte gaten geanalyseerd om de onderstaande afbeelding te genereren.
Het zwarte gat is naar schatting 6,5 miljard keer zo zwaar als de zon.
AI ontdekt 'potentieel gevaarlijke' asteroïde
We horen veel over de risico's van AI, maar wat als het ons zou redden van een dodelijke asteroïde?
Onderzoekers van het aanstaande Vera Rubin Observatorium in het noorden van Chili AI model ontdekten onlangs een potentieel gevaarlijke asteroïde met behulp van AI.
Het Vera Rubin Observatorium in het noorden van Chili, dat nog in aanbouw is, zal de krachtigste digitale camera worden die gebruikt wordt voor astronomische fotografie,
HelioLinc3DHet AI-programma dat verantwoordelijk is voor deze ontdekking, is ontworpen ter ondersteuning van de inspanningen van het Vera C. Rubin Observatorium om asteroïden te detecteren. Het model werd ingezet tijdens een test op het ATLAS observatorium in Hawaï.
De AI onthulde een asteroïde van ongeveer 180 meter breed, genaamd 2022 SF289.
Dit hemellichaam, waarvan wordt voorspeld dat het ongeveer 182 meter (600 ft breed) zal zijn, zal naar verwachting zo dicht bij de aarde komen als 140.000 mijl (225.000 kilometer).
Als je bedenkt dat de gemiddelde afstand van de maan tot de aarde ongeveer 238.855 mijl (384.400 km) is - dit is dichterbij dan de ruwe cijfers lijken te suggereren - is het een potentieel gevaarlijke asteroïde (PHA). Wees gerust - er wordt niet verwacht dat hij ons zal raken.
HelioLinc3D is veel sneller en efficiënter in het detecteren van potentieel gevaarlijke asteroïden dan de huidige methoden.
Traditioneel vereist dit het vastleggen van beelden van specifieke hemelsegmenten meerdere keren per nacht, terwijl HelioLinc3D minder waarnemingen vereist en goed werkt met zwakke objecten.
Telescopen pikken vaak een dichte verstrooiing van nutteloze ruis op bij het observeren van zwakke objecten, wat het detecteren van echte asteroïden bijzonder lastig maakt.
Larry Denneau, hoofd ATLAS-astronoom, benadrukte de gevolgen van deze ontdekking: "Elk onderzoek zal moeite hebben om objecten zoals 2022 SF289 te ontdekken die dicht bij de gevoeligheidslimiet liggen, maar HelioLinc3D laat zien dat het mogelijk is om deze zwakke objecten terug te vinden zolang ze zichtbaar zijn gedurende meerdere nachten. Dit geeft ons in feite een 'grotere, betere' telescoop."
Rubin wetenschapper en HelioLinc3D teamleider Mario Jurić zei: "Dit is slechts een klein voorproefje van wat we kunnen verwachten met het Rubin Observatorium in minder dan twee jaar wanneer HelioLinc3D elke nacht een object als dit zal ontdekken."
Hij voegde eraan toe: "Maar in bredere zin is het een voorproefje van het komende tijdperk van data-intensieve astronomie. Van HelioLinc3D tot AI-ondersteunde codes, het volgende decennium van ontdekkingen zal net zo goed een verhaal zijn van vooruitgang in algoritmen als in nieuwe, grote telescopen."
De leeftijd van sterren bepalen met AI
AI helpt onderzoekers ook om de geschiedenis van het heelal in kaart te brengen.
Een recent model ontwikkeld als een met AI verbeterde versie van een ouder project, EAGLES (schatting van ouderdommen op basis van lithiumequivalente breedten)analyseert de aanwezigheid van lithium in sterren om hun leeftijd te schatten.
Historisch gezien hebben alle sterren aan het begin van hun leven een vergelijkbare hoeveelheid lithium. Naarmate ze ouder worden, wordt dit lithium echter in verschillende tempo's uitgeput door factoren als hun massa en bijbehorende temperaturen.
De temperatuur van een ster, die een indicatie is van zijn massa, speelt een centrale rol in zijn lithiumverbruik.
In hetere sterren veroorzaakt versterkte convectie in de buitenste lagen turbulentie, waardoor lithium dieper de ster in wordt gestuurd en fuseert met protonen tot twee heliumkernen. Als gevolg daarvan daalt het lithiumgehalte in de loop van de tijd.
Door de lithiumconcentratie van een ster en zijn temperatuur te observeren, kunnen astronomen de leeftijd van de ster extrapoleren.
Traditioneel werd de leeftijd van een ster bepaald aan de hand van het lithium. Hiervoor werd de sterkte van het lithium in spectografische gegevens beoordeeld en vergeleken met gevestigde sterevolutiemodellen.
Dit proces was niet alleen lastig, maar ook beperkt in omvang. George Weaver van de Keele Universiteit in het Verenigd Koninkrijk merkte op dat dit "moeilijk te doen is en veel werk vereist".
Weaver en astrofysicus Robin Jeffries van de universiteit van Keele ontwikkelden het EAGLES-algoritme om dit proces te stroomlijnen.
Door EAGLES te trainen op een dataset van 6000 sterren uit 52 clusters waargenomen door de Gaia-missieontwikkelden ze een model dat het loon van een ster kon schatten met een minimum aan handmatig werk.
EAGLES wordt binnenkort ingezet voor twee uitgebreide onderzoeken: het WEAVE-onderzoek op de William Herschel Telescoop in 2023 en het 4MOST-onderzoek op de VISTA-telescoop van de Europese Zuidelijke Sterrenwacht in 2024.
"Dit zijn twee grote spectroscopische onderzoeken die... spectra zullen nemen van letterlijk tientallen miljoenen sterren," verklaarde Jeffries.
Een van de doelen van de onderzoeken is om de geschiedenis van de stervorming van verschillende sterrenpopulaties in het melkwegstelsel in kaart te brengen.
Elon Musk's xAI
We kunnen Elon Musk niet buiten een existentiële discussie over de kosmos laten.
In juli onthulde Musk zijn nieuwste maanreis. xAI. Deze nieuwe mysterieuze AI startup wil dringende wetenschappelijke concepten onderzoeken zoals donkere materie, donkere energie, de Fermi-paradox en het bestaan van buitenaardse wezens.
In de woorden van Musk zal xAI "fundamentele vragen" over "de werkelijkheid" en "het universum" onderzoeken.
Musk en zijn team hielden een Twitter Spaces discussie over xAI, en hoewel het intrigerend was, werd er niet veel duidelijk over de strategie van de startup. Vanaf augustus 2023 is er geen concrete informatie over wat het van plan is te doen en hoe.
Geweldige samenvatting https://t.co/s2QE9zuzp4
- xAI (@xai) 15 juli 2023
Sommigen speculeren dat xAI wetenschaps- en statistiekgeoriënteerde AI-modellen zal bouwen om onderzoek te versnellen. Het zou de vorm kunnen aannemen van een wetenschapsgeoriënteerde AI 'general agent' die vrijwel alle bovenstaande functies kan uitvoeren.
xAI zou zijn rekenkracht kunnen inzetten voor wetenschappelijke onderzoekers en zo een aantal knelpunten bij het gebruik van complexe modellen in academische omgevingen kunnen wegnemen.
Aan de andere kant zou xAI wel eens kunnen uitmonden in nog zo'n groot taalmodel (LLM), of misschien wordt het helemaal niets - hoewel dat teleurstellend zou zijn gezien het kaliber van het oprichtersteam van de startup.
Als xAI een superkrachtig AI-model voor onderzoeksdoeleinden aflevert, zou dit wetenschappers in staat kunnen stellen om gespecialiseerde modellen te maken voor allerlei toepassingen in de natuurkunde, astronomie, geneeskunde, klimatologie en andere gebieden.
Ondanks de problemen geeft AI de mensheid de middelen om nieuwe grenzen te verkennen die tot een paar jaar geleden niet voor mogelijk werden gehouden.
Deze technologie, die nog in de kinderschoenen staat, onthult haar potentieel om gevaarlijke asteroïden, exoplaneten en de leeftijd van sterren te identificeren, waardoor we onze kosmische horizon kunnen verbreden en onze kennis van het heelal kunnen vergroten.
Alle risico's daargelaten, is het gebruik van AI om de geheimen van het universum te verkennen een prikkelend vooruitzicht.
