Kosmos w rękach sztucznej inteligencji. Nowa era AI w astronomii już się zaczęła

Jeszcze niedawno astronomowie tonęli w kosmicznym śmietniku: milionach alertów z teleskopów, z których niemal wszystkie okazywały się fałszywe — smugi satelitów, zakłócenia sprzętu, błędy pomiarowe. A jednak w tym bałaganie ukrywały się prawdziwe skarby: eksplozje supernowych, czarne dziury rozrywające gwiazdy, szybkie asteroidy. Teraz to nie człowiek, lecz sztuczna inteligencja zacznie wyłapywać je z chaosu. I wszystko wskazuje na to, że AI zrobi to szybciej, precyzyjniej i skuteczniej niż kiedykolwiek wcześniej.

• Oxford i Google pokazali światu, że model Gemini może zastąpić wyspecjalizowane algorytmy, które dotąd działały jak czarne skrzynki. AI nie tylko odróżnia „real” od „fake”. Ona tłumaczy, dlaczego podjęła taką decyzję. To nie jest już zgadywanka, lecz prawdziwe wsparcie dla naukowców.
  
  
• Najbardziej zaskakujące? Aby nauczyć sztucznej inteligencji tego kosmicznego fachu, wystarczyło… 15 przykładów. Piętnaście obrazków z opisami — i Gemini z 93-procentową skutecznością zaczął rozpoznawać, co jest realnym zjawiskiem, a co zwykłym zakłóceniem.
  
  
• Nie potrzeba milionów danych ani gigantycznych serwerowni. Kilkanaście zdjęć, proste instrukcje i nagle możliwa staje się lawina analiz: klasyfikacja tysięcy alertów z trzech dużych przeglądów nieba — ATLAS, MeerLICHT i Pan-STARRS. AI nie tylko wskazywała, co jest prawdziwe, ale też nadawała priorytety i zostawiała przejrzyste wyjaśnienia.

„Wchodzimy w epokę, w której odkrycia naukowe przyspiesza nie czarna skrzynka, lecz transparentny partner AI (…). Ta praca wskazuje drogę do systemów, które uczą się z nami, wyjaśniają swoje rozumowanie i pozwalają badaczom w każdej dyscyplinie skupić się na tym, co najważniejsze: na zadawaniu kolejnego wielkiego pytania” – mówi Turan Bulmus, współautor z Google Cloud.

Naukowiec podkreśla, że to może być prawdziwy przełom w rozumieniu nauki.

„Dla osoby bez formalnego wykształcenia astronomicznego te badania są niezwykle ekscytujące. Pokazują, jak LLM-y mogą zdemokratyzować odkrycia naukowe, dając każdemu dociekliwemu człowiekowi możliwość realnego wkładu także w dziedzinach, w których nie ma tradycyjnego przygotowania. To dowód, że łatwo dostępna AI może przełamywać bariery w badaniach” – podkreśla badacz.

Jak dokładnie przebiegało badanie? „Wykorzystując jedynie 15 przykładowych obrazów i prosty zestaw instrukcji, Gemini nauczył się odróżniać prawdziwe zjawiska kosmiczne od artefaktów obrazowania z dokładnością około 93%. Co ważne, AI dołączała też krótkie, zrozumiałe uzasadnienie każdej klasyfikacji — to kluczowy krok ku większej przejrzystości i wiarygodności nauki opartej na AI oraz ku tworzeniu przystępnych narzędzi, które nie wymagają ani ogromnych zbiorów danych treningowych, ani dogłębnej wiedzy z zakresu programowania” – możemy przeczytać w opracowaniu opublikowanym na oficjalnej stronie Uniwersytetu Oxford.

„Jeśli zdołamy to zeskalować, może to być game changer dla całej dziedziny”

Dzisiejsze teleskopy wytwarzają każdej nocy miliony alertów. Do tej pory filtrowały je wyspecjalizowane algorytmy, które działały jednak jak czarne skrzynki: oznaczały sygnał jako „prawdziwy” lub „fałszywy”, nie zdradzając, dlaczego tak zdecydowały. Astronomowie byli więc zmuszeni do mozolnej, ręcznej weryfikacji tysięcy przypadków. Przy teleskopach nowej generacji, takich jak Vera C. Rubin Observatory, które będą dostarczać nawet 20 terabajtów danych dziennie, takie podejście staje się niewykonalne.

ZOBACZ: Autonomiczny radiowóz w Miami. Policja ma własnego „RoboCopa” na czterech kołach

Gemini udowodnił, że wystarczy niewielka liczba przykładów i prosta instrukcja, by dorównać skutecznością zaawansowanym modelom, a przy tym zapewnić pełną przejrzystość decyzji.

„Pracuję nad szybkim przetwarzaniem danych z przeglądów nieba od ponad 10 lat i stale zmagamy się z oddzielaniem prawdziwych zdarzeń od fałszywych sygnałów. Skuteczność LLM-u przy minimalnym treningu była znakomita. Jeśli zdołamy to zeskalować, może to być game changer dla całej dziedziny” – przyznał prof. Stephen Smartt z Uniwersytetu Oksfordzkiego.

AI, które wie, kiedy poprosić o pomoc

Gemini potrafi również ocenić swoją pewność i oznaczyć wyniki, które wymagają dodatkowej weryfikacji przez człowieka. W testach model przypisywał odpowiedziom poziom spójności, a te o niskiej wartości znacznie częściej okazywały się błędne. Dzięki temu powstał skuteczny model „human in the loop” – naukowcy skupiają się wyłącznie na najbardziej obiecujących sygnałach, zamiast tracić czas na oczywiste pomyłki.

Co więcej, wykorzystując taką pętlę autokorekty, zespół podniósł skuteczność sztucznej inteligencji na jednym z zestawów danych z 93,4% do 96,7%. To pokazuje, że system nie tylko wspiera badaczy, ale uczy się razem z nimi i doskonali w trakcie pracy.

To dopiero początek?

Zdaniem ekspertów to dopiero początek. Takie systemy mogą w przyszłości nie tylko klasyfikować obrazy, ale również łączyć różne źródła danych, zlecać autonomiczne obserwacje teleskopowe i wskazywać naukowcom wyłącznie najbardziej unikalne zjawiska.

Cała metoda jest zadziwiająco prosta: potrzebny jest jedynie niewielki zestaw przykładów i naturalny język zamiast skomplikowanego kodu. Dzięki temu rozwiązanie łatwo przenieść do innych dziedzin – od medycyny i biologii po badania klimatyczne.

Badanie pt. „Interpretacja tekstowa klasyfikacji obrazów przejściowych z dużych modeli językowych” zostało opublikowane w czasopiśmie Nature Astronomy .