
مدلهای یادگیری ماشینی به طور فزایندهای فرآیندهای انسانی را با انجام سریعتر وظایف تکراری یا ارائه برخی بینش سیستماتیک که به درک دانش بشری کمک میکند، بهبود میبخشد. اخترشناسان در دانشگاه کالیفرنیا برکلی از این که دریافتند هر دو پس از مدلسازی رویدادهای گرانشی با میکرولنزها رخ دادهاند، متعجب شدند که منجر به نظریهای یکپارچه جدید از این پدیده شد.
عدسیهای گرانشی زمانی به دست میآیند که نور ستارگان دور و سایر اجرام ستارهای به اطراف نزدیکتر که مستقیماً بین آن و ناظر خم میشود، به طور خلاصه نمای روشنتر اما مخدوشتری از دوردستتر ارائه میدهد. بسته به اینکه نور چگونه خم می شود (و آنچه در مورد جسم دور می دانیم)، می توانیم در مورد ستاره، سیاره یا منظومه ای که نور به اطراف آن خم می شود نیز چیزهای زیادی بیاموزیم.
به عنوان مثال، یک پرش لحظه ای در روشنایی نشان می دهد که یک جسم سیاره ای در حال عبور از خط دید است، و این نوع ناهنجاری خواندن که بنا به دلایلی “دژنراسیون” نامیده می شود، برای شناسایی هزاران سیاره فراخورشیدی استفاده شده است.
با توجه به محدودیت های مشاهده آنها، تعیین کمیت این رویدادها و اشیاء خارج از تعداد انگشت شماری از مفاهیم اساسی مانند جرم آنها دشوار است. و انحطاط ها معمولاً به دو احتمال در نظر گرفته می شوند: نور دور از نزدیکتر گذشته است یا به ستاره یا سیاره در یک سیستم معین ابهامات اغلب با سایر داده های مشاهده شده مطابقت دارند، از جمله اینکه ما به طرق دیگر می دانیم که سیاره برای ایجاد مقیاس اعوجاج مشاهده شده بسیار کوچک است.
کیمینگ ژانگ، دانشجوی دکترای دانشگاه کالیفرنیا برکلی، به دنبال راهی برای تجزیه و تحلیل و دستهبندی سریع چنین رویدادهای عینی بود، زیرا با کاوش منظمتر و با جزئیات بیشتر در آسمان، به تعداد زیاد ظاهر میشوند. او و همکارانش یک مدل یادگیری ماشینی را بر روی دادههای رویدادهای شناختهشده با ریزراهبری گرانشی با علل و پیکربندیهای شناختهشده آموزش دادند، سپس او را از دستهای از مدلهای دیگر که کمتر کمیتشده بودند، رها کردند.
نتایج غیرمنتظره بود: او علاوه بر محاسبه ماهرانه زمانی که یک رویداد مشاهده شده تحت یکی از دو نوع اصلی انحطاط قرار می گیرد، بسیاری از آنها را یافت که اینطور نیستند.
دو نظریه قبلی انحطاط با مواردی سروکار دارند که به نظر میرسد ستاره پسزمینه از نزدیک ستاره پیشزمینه یا سیاره پیشزمینه عبور میکند. ژانگ گفت: الگوریتم هوش مصنوعی صدها مثال را نه تنها از این دو مورد، بلکه موقعیتهایی را که ستاره از نزدیک ستاره یا سیاره عبور نمیکند و با هیچ یک از نظریههای قبلی قابل توضیح نیست، به ما نشان داده است. پیام برای برکلی.
این می تواند نتیجه یک مدل ضعیف تنظیم شده یا مدلی باشد که به اندازه کافی به محاسبات خود اطمینان نداشت. اما ژانگ متقاعد شده بود که هوش مصنوعی چیزی را خوانده است که ناظران انسانی به طور سیستماتیک نادیده گرفته شده بودند.
در نتیجه – و پس از قدری متقاعدسازی، به عنوان دانش آموزی که دکترین ثابت شده را زیر سوال می برد، تحمل می شود اما شاید تشویق نمی شود – آنها در نهایت یک نظریه جدید و “یکپارچه” در مورد چگونگی تبیین انحطاط ارائه کردند. به سادگی رایج ترین بودند.

نمودار شبیه سازی محلول انحطاط 3 عدسی را نشان می دهد. اعتبار تصویر: ژانگ و همکاران
آنها دوجین مقاله اخیر را در مورد مشاهده رویدادهای میکرولنزینگ بررسی کردند و دریافتند که ستاره شناسان به اشتباه آنچه را که می دیدند به عنوان یک نوع یا آن دسته دسته بندی می کردند که نظریه جدید با داده ها بهتر از این دو مطابقت داشت.
«مردم این وقایع را با لنزهای میکرو دیدند، که در واقع این انحطاط جدید را نشان داد، اما آنها آن را متوجه نشدند. اسکات گائودی، استاد نجوم در دانشگاه ایالتی اوهایو و نویسنده مقاله، میگوید: «این واقعاً فقط یادگیری ماشینی بود، و به هزاران رویدادی نگاه میکرد که از دست دادن آنها غیرممکن بود.
برای روشن بودن، هوش مصنوعی نظریه جدید را تدوین و پیشنهاد نکرده است – این نظریه کاملاً به هوش انسانی وابسته است. اما بدون محاسبات سیستماتیک و قابل اعتماد هوش مصنوعی، شاید تئوری ساده شده و کمتر صحیح برای سالیان متمادی وجود داشت. همانطور که مردم یاد گرفتند به ماشینحسابها و بعداً رایانهها اعتماد کنند، ما نیز یاد میگیریم که به برخی از مدلهای هوش مصنوعی اعتماد کنیم تا حقایق جالبی را عاری از پیشداوری و حدسها بیان کنیم – یعنی اگر پیشداوریها و مفروضات خود را در آنها رمزگذاری نکرده باشیم.
نظریه جدید و توصیف فرآیند منتهی به آن در مقاله ای که در مجله Nature Astronomy منتشر شده است، توضیح داده شده است. احتمالاً برای ستاره شناسان در میان خوانندگان ما خبری نیست (این یک پیش از چاپ سال گذشته بود)، اما یادگیری ماشینی و افکار علمی عمومی ممکن است از این پیشرفت جالب استقبال کنند.