16:59 2024-05-03
science - citeste alte articole pe aceeasi tema
Comentarii Adauga Comentariu
_ Ce poate învăța AI despre univers?
_ Ce poate AI învață despre univers?
Inteligenta artificială și învățarea automată au devenit omniprezente, cu aplicații variind de la analiza datelor, securitate cibernetică, dezvoltare farmaceutică, compoziție muzicală și redări artistice.
În ultima perioadă. ani, au apărut și modele de limbaj mari (LLM), adăugând interacțiunea umană și scrierea la lista lungă de aplicații. Aceasta include ChatGPT, un LLM care a avut un impact profund de când a fost introdus în urmă cu mai puțin de doi ani. Această aplicație a stârnit dezbateri (și controverse) considerabile cu privire la potențialele utilizări și implicații ale inteligenței artificiale.
Astronomia a beneficiat, de asemenea, enorm, unde învățarea automată este folosită pentru a sorta volume masive de date pentru a căuta semne de tranzite planetare. corectați pentru interferența atmosferică și găsiți modele în zgomot. Potrivit unei echipe internaționale de astrofizicieni, acesta ar putea fi doar începutul a ceea ce ar putea face IA pentru astronomie.
Într-un studiu recent, echipa a ajustat un model de transformator generativ pre-antrenat (GPT) folosind observarea obiectelor astronomice. În acest proces, ei au demonstrat cu succes că modelele GPT pot ajuta în mod eficient în cercetarea științifică.
Studiul a fost realizat de Centrul Internațional pentru Rețeaua de Astrofizică Relativistică (ICRANet), un consorțiu internațional format din cercetători de la Rețeaua Internațională de Astrofizică. Centrul pentru Astrofizică Relativistă (ICRA), Institutul Național de Astrofizică (INAF), Universitatea de Știință și Tehnologie din China, Academia Chineză de Științe Institutul de Fizică a Energiei Înalte (CAS-IHEP), Universitatea din Padova, Universitatea Isfahan of Technology și Universitatea Ferrera.
Lucrul lor, „Can AI Understand Our Universe? Test of Fine-Tuning GPT by Astrophysical Data”, a fost publicat recent pe serverul de preprintare arXiv.
Așa cum am menționat, astronomii se bazează în mare măsură pe algoritmii de învățare automată pentru a sorta volumele de date obținute de telescoape și instrumente moderne. Această practică a început în urmă cu aproximativ un deceniu și de atunci a crescut cu salturi și limite până la punctul în care AI a fost integrată în întregul proces de cercetare. După cum președintele ICRA și autorul principal al studiului, Yu Wang, a declarat pentru Universe Today prin e-mail:
„Astronomia a fost întotdeauna condusă de date, iar astronomii sunt unii dintre primii oameni de știință care au adoptat și au folosit învățarea automată. Acum, învățarea automată. a fost integrat în întregul proces de cercetare astronomică, de la fabricarea și controlul telescoapelor terestre și spațiale (de exemplu, optimizarea performanței sistemelor de optică adaptivă, îmbunătățirea inițierii acțiunilor specifice (declanșatoare) sateliților în anumite condiții, etc.), la analiza datelor (de exemplu, reducerea zgomotului, imputarea datelor, clasificarea, simularea etc.) și stabilirea și validarea modelelor teoretice (de exemplu, testarea gravitației modificate, constrângerea ecuației de stare a stelelor neutronice etc.). )."
Analiza datelor rămâne cea mai comună dintre aceste aplicații, deoarece este cea mai ușoară zonă în care învățarea automată poate fi integrată. În mod tradițional, zeci de cercetători și sute de cetățeni de știință ar analiza volumele de date produse de o campanie de observare.
Cu toate acestea, acest lucru nu este practic într-o epocă în care telescoapele moderne colectează zilnic terabytes de date. Acestea includ sondaje pe tot cerul, cum ar fi Very Large Array Sky Survey (VLASS) și numeroasele faze efectuate de Sloan Digital Sky Survey (SDSS).
Până în prezent, LLM-urile au fost aplicate doar sporadic cercetării astronomice. , dat fiind că sunt o creație relativ recentă. Dar, potrivit susținătorilor precum Wang, a avut un impact extraordinar asupra societății și are un potențial limită inferioară echivalent cu o „revoluție industrială”.
În ceea ce privește limita superioară, Wang prezice că aceasta ar putea varia considerabil și ar putea duce la „iluminarea sau distrugerea” umanității. Cu toate acestea, spre deosebire de Revoluția Industrială, ritmul schimbării și integrării este mult mai rapid pentru AI, ridicând întrebări cu privire la cât de departe va ajunge adoptarea acesteia.
Pentru a-și determina potențialul pentru domeniul astronomiei, a spus Wang, el și colegii săi au adoptat un model GPT pre-antrenat și l-au reglat fin pentru a identifica fenomenele astronomice:
„OpenAI oferă modele pre-antrenate, iar ceea ce am făcut este o reglare fină, care implică modificarea unor parametri. bazat pe modelul original, permițându-i să recunoască datele astronomice și să calculeze rezultatele din aceste date. Acest lucru este oarecum ca OpenAI care ne oferă un student de licență, pe care apoi l-am pregătit pentru a deveni un student absolvent în astronomie.
„Am furnizat date limitate cu o rezoluție modestă și am antrenat GPT-ul de mai puține ori în comparație cu modelele normale. Cu toate acestea, rezultatele sunt impresionante, atingând o acuratețe de aproximativ 90%. Acest nivel ridicat de acuratețe este atribuit bazei solide a GPT, care înțelege deja procesarea datelor și posedă capacități de inferență logică, precum și abilități de comunicare.”
Pentru a-și ajusta modelul, echipa a prezentat observații ale diferitelor fenomene astronomice derivate din diferite cataloage Acestea au inclus 2.000 de eșantioane de quasari, galaxii, stele și quasari cu linie largă de absorbție (BAL) din SDSS (500 fiecare, fiecare). GRBs), galaxii, stele și simulări ale găurilor negre Când a fost testat, modelul lor a clasificat cu succes diferite fenomene, a distins între tipuri de quasari, a dedus distanța lor pe baza deplasării spre roșu și a măsurat rotația și înclinarea găurilor negre.
< „Această lucrare demonstrează cel puțin că LLM-urile sunt capabile să proceseze date astronomice”, a spus Wang. Sperăm că LLM-urile pot integra diverse tipuri de date și apoi pot identifica principii comune care stau la baza pentru a ne ajuta să înțelegem lumea. Desigur, aceasta este o sarcină provocatoare și nu una pe care astronomii o pot îndeplini singuri.”Desigur, echipa recunoaște că setul de date pe care l-au experimentat a fost foarte mic în comparație cu datele de ieșire ale observatoarelor moderne. este valabil mai ales pentru facilitățile de ultimă generație, cum ar fi Observatorul Vera C. Rubin, care a primit recent camera sa LSST, cea mai mare cameră digitală din lume!
Odată ce Rubin va fi operațional, va desfășura activitatea de 10 ani. Legacy Survey of Space and Time (LSST), care se așteaptă să producă 15 terabytes de date pe noapte, pentru a satisface cerințele campaniilor viitoare, spune Wang, va necesita îmbunătățiri și colaborare între observatoare și companii profesionale de AI.
Comentarii:
Adauga Comentariu