پرش به محتوای اصلی
آخرین اخبار
۲ وایر پاداش مطالعه

مهار درخشش ستاره‌ها با یاد‌گیری ماشین؛ دانشمندان حساسیت تلسکوپ جیمز وب را تا ۱۵ برابر ارتقا دادند

انتشار:۱۳ آبان ۱۴۰۵
۲ دقیقه زمان مطالعه
۰ دیدگاه
اشتراک و پسندیدن

دانشمندان با ترکیب فیزیک نور و تکنیک‌های یاد‌گیری ماشین، روشی نوین به‌نام FLIP توسعه داده‌اند که نور مزاحم ستاره‌ها را در تصاویر تلسکوپ جیمز وب فیلتر می‌کند. این دستاورد حساسیت رصد سیاره‌های فراخورشیدی کم‌نور را تا ۱۵ برابر بهبود می‌بخشد و مسیر ثبت تصاویر مستقیم از سیاره‌های مشابه زمین را هموارتر می‌سازد.

مهار درخشش ستاره‌ها با یاد‌گیری ماشین؛ دانشمندان حساسیت تلسکوپ جیمز وب را تا ۱۵ برابر ارتقا دادند

در یک نگاه (نکات کلیدی خبر)

خلاصه مهم‌ترین نکات و تحولات این گزارش برای مطالعه سریع

  • پژوهشگران چارچوب نوینی به‌نام FLIP طراحی کرده‌اند که با تلفیق مدل‌های فیزیکی تلسکوپ و الگوریتم‌های یاد‌گیری ماشین، نور کورکننده ستاره‌ها را از تصاویر نجومی حذف می‌کند.
  • این فناوری در بررسی داده‌های دوربین فروسرخ نزدیک تلسکوپ جیمز وب توانست حساسیت رصد سیاره‌های کم‌نور را تا ۱۵ برابر نسبت به روش‌های سنتی ارتقا دهد.
  • موفقیت این چارچوب در تصویربرداری از سیاره غول‌پیکر 51 Eridani b امیدها را برای ثبت تصاویر مستقیم از سیاره‌های مشابه زمین افزایش داده است.

دانشمندان روشی نوین برای حذف نور خیره‌کننده ستاره‌ها از تصاویر تلسکوپی ابداع کرده‌اند که در آزمایش‌های انجام‌شده روی داده‌های تلسکوپ فضایی جیمز وب، حساسیت تشخیص سیاره‌های فراخورشیدی کم‌نور را تا ۱۵ برابر افزایش داده است.

تیمی از پژوهشگران دانشگاه نورت‌وسترن در این پروژه، مدلی فیزیکی از نحوه عملکرد تلسکوپ را با تکنیک‌های بهینه‌سازی در یاد‌گیری ماشین ترکیب کردند تا نور ناخواسته و مزاحم ستاره‌ها را تفریق و حذف کنند.

تصویربرداری مستقیم از سیاره‌های فراخورشیدی همواره چالشی بزرگ به‌شمار می‌رود، زیرا درخشش شدید ستاره‌های میزبان، نور ناچیز سیاره‌های مجاور را کاملاً محو می‌کند. روش‌های کنونی نور بازتابی ستاره را بر اساس الگوهای شبیه‌سازی‌شده یا داده‌های مرجع تفریق می‌کنند، اما حتی کوچک‌ترین تغییرات و ناپایداری‌ها در سیستم نوری تلسکوپ می‌تواند هاله‌ای از درخشش باقی بگذارد که سیاره‌ها را از دید پنهان می‌سازد.

این چارچوب نوین که FLIP نام دارد و مخفف یاد‌گیری مبتنی بر فیزیک برای تصویربرداری از سیاره‌ها است، نحوه عبور پرتوهای نور از ساختار تلسکوپ را شبیه‌سازی می‌کند، خطاهای نوری جزئی را تصحیح می‌نماید و با دقت بالایی درخشش مزاحمی را که باید حذف شود بازسازی می‌کند.

با اعمال این چارچوب بر رصدهای دوربین فروسرخ نزدیک تلسکوپ وب موسوم به NIRCam، فناوری FLIP توانست نخستین تصویر واضح از سیاره غول‌پیکر 51 Eridani b را در طول موج فروسرخ ۴٫۳ میکرومتر ثبت کند؛ جایی که روش‌های پردازش سنتی در نمایش آن ناکام مانده بودند. بر اساس نتایج منتشرشده در مقاله مجله Nature، آزمایش‌ها نشان دادند که این الگوریتم حساسیت رصد را نسبت به تکنیک‌های متداول بین ۲ تا ۱۵ برابر ارتقا داده است.

پژوهشگران در مقاله خود توضیح داده‌اند که تا جایی که ما می‌دانیم، این نخستین بار است که چنین رویکردی حساسیت رصد را در تصاویر کرونوگرافی واقعی آسمان به‌شکل چشمگیری افزایش می‌دهد. چارچوب ما می‌تواند به سایر رصدخانه‌های کنونی و آینده، اعم از تلسکوپ‌های زمینی یا فضایی توسعه یابد و شاید نیاز به پایداری مکانیکی و نوری فوق‌العاده بالایی را که برای موفقیت این مأموریت‌ها ضروری است کاهش دهد.

گام‌های بعدی این پژوهش شامل کاهش بار محاسباتی الگوریتم و توسعه سازوکارهایی برای پردازش حجم بسیار سنگین‌تر داده‌های حاصل از رصدخانه‌های زمینی است.

محققان امیدوارند توسعه و آزمایش‌های بیشتر این روش، بشر را به ثبت تصاویر مستقیم از سیاره‌های فراخورشیدی مشابه زمین نزدیک‌تر کند و موانعی را که به‌دلیل ناپایداری‌های بسیار ظریف تلسکوپ‌ها مانع دیدن این جهان‌ها می‌شوند به حداقل برساند.

بازخورد و اشتراک‌گذاری این مطلب

اگر این گزارش برایتان مفید بود، با پسندیدن و اشتراک‌گذاری آن با دیگران، از محتوای تخصصی هوش مصنوعی حمایت کنید.

اشتراک‌گذاری در شبکه‌های اجتماعی:

دیدگاه ها و گفتگوی تخصصی

نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید

۰ دیدگاه

هنوز دیدگاهی برای این مطلب ثبت نشده است

اولین نفری باشید که دیدگاه، تحلیل یا دیدگاه خود را درباره این موضوع با دیگران به اشتراک می گذارد.

مطالب مرتبط و پیشنهادی

سم آلتمن: اجرای محلی هوش مصنوعی روی کامپیوترها هدر دادن حافظه رم است
آخرین اخبار

سم آلتمن: اجرای محلی هوش مصنوعی روی کامپیوترها هدر دادن حافظه رم است

سم آلتمن، مدیرعامل OpenAI، با روند رو‌به‌رشد اجرای محلی مدل‌های هوش مصنوعی روی کامپیوترهای شخصی مخالفت کرده و آن را اتلاف منابع ارزشمند رم دانسته است. او معتقد است در شرایط کمبود شدید تراشه‌های حافظه در جهان، پردازش ابری بالاترین بهره‌وری را از این منابع محدود به‌همراه دارد.

۳ دقیقه مطالعه
۰
۱۳ آبان
اوراکل با معماری Deep Trust، امنیت و نظارت بر ایجنت‌های هوش مصنوعی را به پایگاه داده آورد
آخرین اخبار

اوراکل با معماری Deep Trust، امنیت و نظارت بر ایجنت‌های هوش مصنوعی را به پایگاه داده آورد

اوراکل با رونمایی از معماری Deep Trust AI، لایه‌های امنیتی و نظارتی مربوط به ایجنت‌های هوش مصنوعی را مستقیماً به درون پایگاه داده منتقل کرد. این رویکرد به سازمان‌ها اجازه می‌دهد بدون وابستگی به کد برنامه‌ها، دسترسی ایجنت‌ها را به داده‌های حساس و اعمال تغییرات تجاری محدود و مدیریت کنند.

۷ دقیقه مطالعه
۰
۱۳ آبان
هشدار تازه جفری هینتون؛ شاید بهتر بود هوش مصنوعی را هرگز توسعه نمی‌دادیم
آخرین اخبار

هشدار تازه جفری هینتون؛ شاید بهتر بود هوش مصنوعی را هرگز توسعه نمی‌دادیم

جفری هینتون، دانشمند برنده جایزه نوبل و معروف به پدرخوانده هوش مصنوعی، بار دیگر نسبت به خطرات کنترل‌ناپذیر این فناوری هشدار داد. او در گفتگوی اخیر خود تأکید کرد شاید بهتر بود بشر هرگز به سمت توسعه هوش مصنوعی نمی‌رفت و از نبود نظارت جدی بر شرکت‌های بزرگ ابراز نگرانی کرد.

۴ دقیقه مطالعه
۰
۱۳ آبان