جستجو
Close this search box.
جستجو
Close this search box.
چگونه هوش مصنوعی آسمان‌ جهان‌های دور را رمزگشایی می‌کند؟

هوش مصنوعی چگونه آسمان‌ جهان‌های دور را رمزگشایی می‌کند؟

اشتراک‌گذاری:

محققان با به‌کارگیری شبکه‌های عصبی مبتنی بر فیزیک (PINNs) به دستاورد بزرگی در درک جو سیارات فراخورشیدی دست یافته‌اند. این فناوری امکان مدل‌سازی دقیق‌تر تأثیرات پراکندگی نور را به‌ویژه از ابرها فراهم کرده است.

پیشرفتی در تحلیل جو سیارات فراخورشیدی

دانشمندان از دانشگاه LMU، گروه تحقیقاتی ORIGINS، مؤسسه ماکس پلانک برای فیزیک فرازمینی و آزمایشگاه علوم داده ORIGINS موفق به پیشرفت چشمگیری در تحلیل جو سیارات فراخورشیدی شده‌اند. با استفاده از شبکه‌های عصبی مبتنی بر فیزیک، آن‌ها توانسته‌اند مدل‌سازی پراکندگی پیچیده نور در جو این سیارات را با دقتی بی‌سابقه بهبود ببخشند. این رویکرد نوآورانه بینشی جدید درباره نقش ابرها به ما ارائه می‌دهد و می‌تواند به‌شکلی قابل‌توجه دانش ما را از جهان‌های دور افزایش دهد.

هنگامی که سیارات فراخورشیدی از مقابل ستاره‌شان عبور می‌کنند، بخش کوچکی از نور ستاره را مسدود می‌کنند و مقدار بسیار کمتری از آن نور از جو سیاره عبور می‌کند. این تعامل با نور باعث تغییراتی در طیف نور می‌شود که ویژگی‌های جو سیاره مانند ترکیب شیمیایی، دما و پوشش ابرها را نشان می‌دهد.

برای تحلیل این طیف‌های نوری، دانشمندان به مدل‌هایی نیاز دارند که بتوانند میلیون‌ها طیف مصنوعی را در مدت زمان کوتاهی محاسبه کنند. سپس، با مقایسه این طیف‌های محاسبه‌شده با طیف‌های اندازه‌گیری‌شده، اطلاعاتی درباره ترکیب جوی سیاره فراخورشیدی به دست می‌آید. به‌ویژه، داده‌های جدید و دقیق تلسکوپ فضایی جیمز وب (JWST) نیازمند مدل‌های جوی بسیار پیچیده و دقیق هستند.

مدل‌سازی پیشرفته با شبکه‌های عصبی مبتنی بر فیزیک

یکی از جنبه‌های کلیدی پژوهش در مورد سیارات فراخورشیدی، پراکندگی نور در جو آنهاست، به‌ویژه پراکندگی نور از ابرها. مدل‌های قبلی نمی‌توانستند این پراکندگی را به‌خوبی در نظر بگیرند زیرا باعث بی‌دقتی‌هایی در تحلیل طیف نوری می‌شد. شبکه‌های عصبی مبتنی بر فیزیک در این زمینه یک مزیت اساسی دارند، زیرا آن‌ها می‌توانند معادلات پیچیده را به‌طور کارآمد حل کنند.

در مطالعه‌ای که به‌تازگی منتشر شده است، محققان دو شبکه عصبی را آموزش دادند. اولین مدل که بدون در نظر گرفتن پراکندگی نور توسعه یافت، با خطای نسبی کمتر از یک درصد عملکرد خوبی داشت. مدل دوم نیز با تقریب‌هایی از پراکندگی رایلی که همان اثری است که آسمان زمین را آبی نشان می‌دهد، کار می‌کند. اگرچه این تقریب‌ها نیاز به بهبود بیشتری دارند، اما شبکه عصبی توانست معادله پیچیده مربوطه را حل کند که این خود پیشرفت مهمی محسوب می‌شود.

مزایای همکاری بین‌رشته‌ای

این یافته‌های جدید به لطف همکاری منحصربه‌فرد بین فیزیکدانانی از دانشگاه LMU مونیخ، گروه تحقیقاتی ORIGINS، مؤسسه ماکس پلانک برای فیزیک فرازمینی و آزمایشگاه علوم داده ORIGINS ممکن شد. این آزمایشگاه در توسعه روش‌های مبتنی بر هوش مصنوعی در فیزیک تخصص دارد.

دیوید دالبودینگ، نویسنده ارشد این مطالعه از LMU، توضیح می‌دهد:

این هم‌افزایی نه تنها پژوهش درباره سیارات فراخورشیدی را پیش می‌برد، بلکه افق‌های جدیدی برای توسعه روش‌های مبتنی بر هوش مصنوعی در فیزیک می‌گشاید. ما قصد داریم همکاری بین‌رشته‌ای خود را گسترش دهیم تا پراکندگی نور از ابرها را با دقت بیشتری شبیه‌سازی کرده و از پتانسیل کامل شبکه‌های عصبی استفاده کنیم.

منبع: Scitechdaily

مقالات مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *