11 دقیقه
وقتی تلسکوپ فضایی جیمز وب (JWST) سازمان ناسا شروع به ارسال تصاویر فروسرخ فوق‌العاده‌ای کرد، یک نقص الکترونیکی جزئی تهدید می‌کرد برخی از حساس‌ترین رصدها را تار کند. یک تیم در سیدنی این مشکل را از زمین با استفاده از نرم‌افزاری مبتنی بر هوش مصنوعی حل کرد و توانایی وب را برای ارائه تصاویر بسیار تیز از سیارات فراخورشیدی، ستارگان و دیگر اهداف کم‌نور بازگرداند — و همه این کارها را بدون هیچ راهپیمایی فضایی انجام دادند. در نتیجه، بهره‌وری علمی تلسکوپ افزایش پیدا کرد و راه‌حل نرم‌افزاری نشان داد که چگونه تعمیرات مبتنی بر نرم‌افزار می‌تواند جایگزین عملیات پرهزینه در فضا شود.
از پیکسل‌های تار تا نجات با نرم‌افزار
این مشکل در یکی از دقیق‌ترین ابزارهای وب ظاهر شد: مداخله‌سنج با ماسک دهانه (Aperture Masking Interferometer یا AMI)، یک قطعه طراحی‌شده توسط استرالیا که به اخترشناسان اجازه می‌دهد نور را از بخش‌های جداگانه آینه اصلی ترکیب کنند تا به وضوح فضایی فوق‌العاده بالا دست یابند. درست پس از آغاز عملیات علمی، پژوهشگران متوجه کشیدگی‌های ظریف و محو شدن در داده‌های AMI شدند که کانتراست تصاویر را کاهش می‌داد و جزئیات بسیار ضعیف را پنهان می‌کرد. این اثر کوچک اما پایدار می‌توانست توانایی AMI برای آشکارسازی ساختارهای بسیار ریز و همکانونی را مختل کند، بنابراین حل آن برای حفظ کیفیت رصدها ضروری بود.
تلسکوپ فضایی جیمز وب، رصدخانه فروسرخ ده میلیارد دلاری ناسا، طراحی شده تا کهکشان‌های اولیه جهان را کشف کند، سیارات فراخورشیدی دور را مطالعه کند و جزئیات کیهانی را فراتر از دسترس تلسکوپ‌های پیشین آشکار سازد. Credit: NASA’s Goddard Space Flight Center
به‌جای طراحی مجدد سخت‌افزار یا برنامه‌ریزی یک تعمیر پرخرج در فضا، گروه کوچکی در دانشگاه سیدنی — به سرپرستی پروفسور پیتر توتیل و با مشارکت دو دانشجوی دکتری، لوئیس دزدویگتس و مکس چارلز — درمانی مبتنی بر نرم‌افزار توسعه دادند. ابزار آن‌ها که AMIGO (Aperture Masking Interferometry Generative Observations) نام دارد، از شبیه‌سازی‌ها و شبکه‌های عصبی برای مدل‌سازی واقعی رفتار اپتیک و الکترونیک آشکارساز در مدار استفاده میکند و سپس اعوجاج حاصل را در پردازش پسینی حذف میکند. این رویکرد ترکیبی از شبیه‌سازی فیزیکی، مدل‌سازی آشکارساز و یادگیری عمیق است که امکان بازسازی صحنه‌های نجومی با دقت بالاتر را فراهم می‌آورد.
تیزکردن تصاویر JWST: سطر بالا تصاویر خام کهکشان NGC 1068، قمر مشتری آیو و ستاره ولف-راِیت شماره 137 (WR 137) را نشان می‌دهد. سطر پایین، تصاویر تیز شده یا «رفع تاری» را پس از پردازش توسط خط‌مشی (pipeline) توسعه‌یافته توسط لوئیس دزدویگتس و مکس چارلز نشان می‌دهد. Credit: Max Charles/University of Sydney
علت تار شدن تصاویر چه بود؟
تیم منشا مشکل را به یک اثر در سطح آشکارساز نسبت داد که به آن پدیده «روشن‌تر-پف‌دارتر» (brighter-fatter) گفته می‌شود. در برخی آشکارسازهای فروسرخ، فوتوالکترون‌هایی که توسط یک پیکسل بسیار روشن تولید می‌شوند می‌توانند با مهاجرت بار یا تغییر میدان‌های الکترواستاتیکی، روی پیکسل‌های مجاور تأثیر بگذارند. نتیجه یک پخش‌شدن ظریف نور است که وضوح تصویر را کاهش می‌دهد — به ویژه برای حالت‌های تداخل‌سنجی مانند AMI که به دقت نسبت شدت‌ها در زیرآپارچرهای کوچک وابسته‌اند، این اثر بسیار مخرب است. شناخت این اثر فیزیکی در گوشه‌های دقیق سیستم تصویربرداری برای طراحی اصلاحات ضروری بود.
AMIGO با مدل‌سازی رو به جلو (forward-modeling) هم سیگنال اپتیکی تداخلی و هم پاسخ ناقص آشکارساز را شبیه‌سازی میکند و سپس یک شبکه عصبی آموزش می‌بیند تا صحنه واقعی را بازیابی کند. به‌جای درنظر گرفتن تاری به‌عنوان یک حد نویز اجتناب‌ناپذیر، نرم‌افزار آن را به‌عنوان یک امضای قابل‌پیش‌بینی دستگاهی می‌بیند که می‌توان آن را الگوریتمی معکوس کرد. این روش، برخلاف اصلاح‌های ساده مبتنی بر فیلتر، از دانش فیزیکی و آماری برای بازیابی اطلاعات دقیق استفاده میکند و باعث می‌شود ساختارهای ضعیف‌تر و منابع شبه‌نقطه‌ای که قبلاً در پس تاری گم شده بودند آشکار شوند.
چگونه این اصلاح توسعه و اجرا شد
لوئیس دزدویگتس و مکس چارلز AMIGO را تحت نظارت پروفسور توتیل و دانشیار بن پوپ (دانشگاه مک‌كوئری) ساختند. رویکرد آن‌ها ترکیبی از مشخصه‌یابی آزمایشگاهی آشکارسازها، شبیه‌سازی‌های مبتنی بر فیزیک مسیرهای اپتیکی AMI در وب و استفاده از یادگیری ماشین برای پر کردن شکاف بین مدل‌های ایده‌آل و داده‌های واقعی پرواز بود. در عمل، این به معنای کالیبراسیون دقیق پاسخ آشکارساز در شرایط کنترل‌شده، تولید مجموعه‌های آموزشی شبیه‌سازی‌شده که نمونه‌های اعوجاج را نشان می‌دادند و سپس آموزش شبکه‌های عمیق برای تشخیص و معکوس‌سازی آن اعوجاج‌ها بود.
دکتر لوئیس دزدویگتس (چپ)، اکنون پژوهشگر پست‌دکترا در دانشگاه لیدن هلند، و مکس چارلز که در دانشگاه سیدنی در حال تکمیل دکترای خود است. Credit: University of Sydney
استقرار این خط‌مشی نیازی به تغییرات در خود وب نداشت: تیم اصلاح را روی زمینی به آرشیو داده‌ها و اکسپوژرهای جدید AMI اعمال کرد. نتایج فوری بود — اهدافی که پیش‌تر مات به‌نظر می‌رسیدند، کانتراست خود را باز یافتند و کشف‌های مستقیم و جزئیات ساختاری ظریف‌تری ممکن شد. یکی از مزایای کلیدی این رویکرد این است که می‌توان آن را به‌سرعت روی داده‌های پیشین اعمال کرد و بدین ترتیب ارزش علمی آرشیو را نیز بالا برد.
دستاوردهای علمی: تصاویر تیزتر و کشف‌های جدید
با AMIGO، وب توانسته است تصاویر واضح‌تری از چندین هدف چالش‌برانگیز تولید کند. این خط‌مشی آشکارسازی یک سیاره فراخورشیدی کم‌نور را بهبود بخشید و یک کوتوله قرمز-قهوه‌ای را که به دور ستاره HD 206893 می‌گردد و در فاصله حدود 133 سال نوری قرار دارد، جدا کرد. نمونه‌های دیگر شامل نمای تیزتر از جت یک سیاهچاله، تصویری از سطح آتشفشانی قمر مشتری «آیو»، و ساختارهای دقیق در بادهای گرد و غباری ستاره ولف-راِیت WR 137 است. چنین بهبودهایی نه تنها کیفیت مصنوعی تصویر را افزایش می‌دهد، بلکه امکان تحلیل‌های کمّی دقیق‌تر (مانند اندازه‌گیری روشنایی سطحی، مپینگ دمایی و مطالعه ترکیب شیمیایی اتمسفرهای سیارات) را نیز فراهم می‌آورد.
مکس چارلز مدل تتوی خود از «ماسک غیرتکراری» (Non-Redundant Mask) را که به تعمیر آن کمک کرده است به‌تصویر کشیده است. Credit: University of Sydney
این بهبودها دامنه علمی JWST را بدون هزینه اضافی مأموریت گسترش می‌دهد. به‌صورت عملی، AMIGO حساسیت به همراهان ضعیف و ویژگی‌های ریز را افزایش می‌دهد و اخترشناسان را در مطالعه جو سیارات، محیط پیرامون ستاره و منابع فشرده‌تر با اطمینان بیشتر یاری میکند. علاوه بر این، توانایی آشکارسازی جزئیات ظریف می‌تواند به تعیین سن سیستم‌های ستاره‌ای، سازوکارهای شکل‌گیری سیارات و بررسی پویایی بادهای ستاره‌ای کمک کند.
چرا این موضوع برای مأموریت‌های فضایی آینده اهمیت دارد
موفقیت تیم سیدنی روندی رو به رشد را برجسته میکند: راه‌حل‌های مبتنی بر نرم‌افزار می‌توانند نواقص سخت‌افزاری را حتی مدت‌ها پس از پرتاب اصلاح یا تعدیل کنند. ابزارهای علمی، سیستم‌هایی چندوجهی هستند که در آن فیزیک آشکارساز، الکترونیک و اپتیک به‌طور پیچیده‌ای با هم تعامل دارند. ساخت ابزارهای تحلیلی انعطاف‌پذیر که این تعاملات را مدل‌سازی کنند، می‌تواند طول عمر ابزار را افزایش دهد، بازده علمی را حداکثر کند و نیاز به مداخله‌های پرخطر و پرهزینه سخت‌افزاری را کاهش دهد.
به‌گفته پروفسور توتیل، «به‌جای فرستادن فضانوردان برای پیچ کردن قطعات جدید، آن‌ها با کدنویسی توانستند مسائل را حل کنند. این نمونه‌ای درخشان از چگونگی تأثیر نوآوری استرالیایی بر علم فضایی جهانی است.» این حرف نشان می‌دهد سرمایه‌گذاری روی نرم‌افزار، شبیه‌سازی و آموزش پژوهشگران جوان می‌تواند بازده علمی زیادی به‌همراه داشته باشد و روش تفکر سنتی در مدیریت مأموریت‌ها را تغییر دهد.
دیدگاه کارشناسان
دکتر عایشه رحمن، دانشمند ابزارسازی با تجربه در تلسکوپ‌های فضایی، چنین اظهار داشت: «AMIGO یک مثال درسی از تفکر سیستمی است. تیم، فیزیک آشکارساز، مدل‌سازی اپتیکی و یادگیری ماشین مدرن را ترکیب کرد تا مشکلی را حل کند که در غیر این صورت نیازمند تغییرات مهندسی عمده می‌بود. این یک راهبرد مقرون‌به‌صرفه است که مأموریت‌های دیگر نیز باید آن را الگو قرار دهند — به‌ویژه در زمانه‌ای که آشکارسازها پیچیده‌تر و حساس‌تر می‌شوند.»
دزدویگتس، که اکنون پژوهشگر پُست‌دکترا در دانشگاه لیدن است، گفت نتیجه «بسیار رضایت‌بخش» است و پتانسیل نرم‌افزار برای گسترش قابلیت‌های وب را برجسته کرد. هر دو مطالعه اصلی در سرور پیش‌چاپ arXiv در دسترس هستند؛ مقاله دکتر دزدویگتس فرآیند بازبینی همتا را گذرانده و در نشریه Publications of the Astronomical Society of Australia منتشر خواهد شد. وجود این مقالات در دسترس عموم و در معرض بازبینی همتایان، نشان‌دهنده شفافیت علمی و پایبندی به استانداردهای پژوهشی است.
این پژوهش همچنین ارزش همکاری بین‌المللی را نشان می‌دهد: یک ابزار طراحی‌شده در استرالیا، با روش‌های یادگیری ماشین توسعه‌یافته توسط پژوهشگران جوان اصلاح شده و اکنون علم دقیق‌تری را برای جامعه نجومی جهانی فراهم می‌آورد. تیم به‌صورت فعال AMIGO را با پژوهشگران JWST در سراسر جهان به اشتراک می‌گذارد تا کشف‌های جدید تسریع شود و نتایج علمی گسترده‌تری حاصل گردد.
پیامدها و گام‌های بعدی
در چشم‌انداز آینده، نویسندگان و همکاران قصد دارند کالیبراسیون‌های سبک AMIGO را در خطوط پردازش داده استاندارد JWST برای AMI ادغام کنند و بررسی کنند آیا رویکردهای مشابه می‌توانند اثرات دیگر آشکارساز را در میان ابزارهای مختلف وب اصلاح کنند یا خیر. اگر موفق شوند، این می‌تواند فرایند کالیبراسیون پس از پرتاب را به بخشی روتین از عملیات مأموریت تبدیل کند، زمان را صرفه‌جویی کند و بازده علمی را افزایش دهد. همچنین این روش می‌تواند به‌عنوان یک الگوی عمومی برای مأموریت‌های آینده عمل کند که در آن پیش‌بینی و اصلاح اثرات سخت‌افزاری از طریق نرم‌افزار پیش‌بینی‌شده است.
علاوه بر کاربردهای فوری برای JWST، فلسفه کلی پشت AMIGO — تلفیق آزمایشگاه، شبیه‌سازی‌های فیزیکی و یادگیری ماشین — می‌تواند در طراحی اولیه ابزارهای آینده لحاظ شود. این می‌تواند به مهندسان و دانشمندان کمک کند تا از همان نخستین مراحل طراحی، مدل‌هایی بسازند که قابلیت‌های اصلاح نرم‌افزاری را در نظر دارد، و بدین ترتیب هزینه‌های توسعه و خطرات مأموریت را کاهش دهند. چنین رویکردی همچنین باعث ارتقای توانایی تحلیل داده و استخراج علم بیشتر از حجم عظیم داده‌های فضایی می‌شود.
در نهایت، داستان موفقیت AMIGO نمونه‌ای از همپوشانی فناوری‌های پیشرفته — از فیزیک آشکارساز تا هوش مصنوعی — است که چگونه می‌توانند با هم ترکیب شوند تا موانع فنی را بدون مداخله فیزیکی در فضا برطرف کنند. این تجربه بینشی قدرتمند برای تیم‌های مأموریت در سطح بین‌المللی فراهم می‌آورد و نشان می‌دهد که سرمایه‌گذاری در نرم‌افزار و ظرفیت‌سازی علمی می‌تواند بازدهی بلندمدت و قابل‌توجهی برای علوم فضایی داشته باشد.
منبع: scitechdaily
نظرات
توربو
عااالی؛ بدون راهپیمایی فضایی، با کد مشکل حل بشه؟ این یعنی کلی صرفه‌جویی... آینده مأموریت‌ها رو میتونه عوض کنه
کوینفلک
قابل تحسینه، ولی یه خورده گزارش شون پرزرق و برق شده، باید ببینیم تو شرایط مختلف هم پایدار میمونه یا نه
داونیکس
نکته مهم: نرم‌افزار میتونه ارزش آرشیوها رو چند برابر کنه، یعنی داده‌های قدیمی دوباره قابل استخراج شدن، جالبه
آسمانگرد
منم تو آزمایشگاه با اثرات آشکارساز دست و پنجه نرم کردم، دردسرساز بود. خوشحالم یه راه نرم‌افزاری کار می‌کنه
مهدی
این خوبه ولی سوال دارم: آیا واقعا همه اثرات آشکارساز رو برمی‌داره؟ مخصوصا برای مشاهدات خیلی ضعیف...
آستروپ
منطقیشه، نرم‌افزار اغلب ارزان‌تر و سریع‌تره. makes sense tbh، ولی مراقب overfitting هم باشن.
دیتاویو
وای، جالبه! اینکه یه مشکل سخت‌افزاری با کدنویسی از زمین حل شد واقعا نوآورانه‌ست... آدم دلش گرم میشه
ارسال نظر