A mesterséges intelligencia évtizedeken keresztül a sci-fi regények kedvelt kifejezése volt, de a mindennapok során ritkán lehetett vele találkozni. Ez a helyzet viszont mára drámai fordulatot vett: manapság körülvesz minket a mesterséges intelligencia, elég csak az önvezető autókra, a telefonok és weboldalak arcfelismerő funkciójára, vagy a személyre szabott internetes reklámokra gondolni. Ahhoz azonban, hogy a mesterséges intelligencia és a gépi tanulás megbízhatóan tudjon működni, nagy mennyiségű adatra van szükség, amelyekből kirajzolhatók a különböző trendek, mintázatok. Az elmúlt évtizedekben a csillagászok számára is egyre több adat vált elérhetővé, és ez az adatmennyiség mára olyan nagy mértékűre nőtt, hogy hétköznapi módszerekkel az már kezelhetetlen, így szükségessé vált a „big data”, a „machine learning” és a „deep learning” módszerek alkalmazása a csillagászatban is.
Az arcfelismerés esetében a különböző algoritmusok magát az arcot fordítják le a matematika nyelvére, azaz számokra, amik megadják például az arc bal és jobb széle közötti, valamint az állcsúcs és a fejtető közötti távolságot, illetve ezek arányát, a szemek távolságát a fültől stb.
„A csillagászatban használt minták is hasonlók a matematika nyelvén, azonban ezek a csillagok olyan mérhető jellemzőiből adódnak, mint például a különböző hullámhosszokon kibocsátott fényességük, ezek aránya, a bennük fellelhető kémiai elemek, vagy a környezetük jellegzetességei. A fiatal csillagok például olyan környezetben találhatók meg, ahol sok a csillagközi por és gáz, hiszen ezekből alakultak ki nem is olyan régen, persze kozmikus időskálán mérve az időt” – mondja dr. Marton Gábor, a Csillagászati Intézet tudományos munkatársa, a NEMESIS projekt hazai koordinátora.
A csillagkeletkezés különböző szakaszainak rendszerszintű osztályozása csak az 1980-as években vált lehetővé, az első infravörös megfigyeléseknek és elméleti számításoknak köszönhetően. Ma – több mint 25 évvel azután, hogy a fiatal csillagok besorolását először értelmezték egymással összefüggő fejlődési környezetben – már lényegesen több, újabb és jobb adat áll rendelkezésre. Emellett a kutatóknak lényegesen fejlettebb számítási eszközei és módszerei vannak, amelyek segítségével újraértékelhetik a kezdeti feltevéseket, és új szempontokat, feltételrendszereket határozhatnak meg.
Dr. Odysseas Dionatos, a Bécsi Egyetem kutatója, egyben a konzorcium koordinátora így nyilatkozott: „A legfrissebb bizonyítékok szerint a bolygók a csillagok kialakulásával egy időben elkezdenek formálódni, vagyis a csillag- és a bolygófejlődés nem két egymást követő szakasz, hanem gyorsan, egy időben zajló esemény. A fiatal csillagok mindenre kiterjedő paramétereinek meghatározásában nagy segítséget nyújtott a csillagok sugárzásának hullámhossza alapján működő osztályozás, azonban nagy benne a bizonytalansági tényező a konkrét fejlődési időskálákat illetően. A kutatás során újraértelmezzük a jelenlegi klasszifikációs sémát és a jellegzetes, kiugró időskálákat. Felügyelt és felügyelet nélküli gépi tanulási módszerekkel fogjuk feldolgozni az elérhető adatokat annak érdekében, hogy választ tudjunk adni a csillag- és bolygókeletkezés legaktuálisabb kérdéseire.”
Hogy miért most aktuális a téma? „Ennek egyik oka az eddig hiányzó nagyskálájú optikai–infravörös égboltfelmérés volt. Az elmúlt évtizedben ez megváltozott, az olyan teljes égboltfelméréseknek köszönhetően, mint amilyen a Gaia, a 2MASS vagy a WISE projekt. A különböző fejlődési időskálák leírásához populációs statisztikákra van szükség, amihez elengedhetetlen fontosságú a nagy elemszámú minta. A Gaia űrtávcső az eddigi működése során 1,8 milliárd objektumot detektált, amelyek között nagy számban fordulhatnak elő fiatal csillagjelöltek” – magyarázta dr. Marc Audard, a Genfi Egyetem munkatársa.
A NEMESIS projekt 2021 márciusában indult, és az elkövetkező 4 évre nyert támogatást több mint 1,6 millió euró összegben, melyből a hazai kutatásra fordítható összeg 407.384 euró. Bővebb információ (angol nyelven) a projekt jelenleg még feltöltés alatt álló weboldalán érhető el.
