استفاده از شبکه عصبی هوش مصنوعی برای ترمیم عکس‌ های فضایی قدیمی

استفاده از شبکه عصبی هوش مصنوعی برای ترمیم عکس‌ های فضایی قدیمی

بازآفرینی فیلم‌های سینمایی و بازی‌های ویدیویی به ما اجازه می‌دهد محتوای قدیمی و کلاسیک را با جزییات و وضوح بهتری نسبت به نسخه‌ی اصلی ببینیم. اکنون اخترشناسان نیز در نظر دارند از این روش استفاده کنند. آن‌ها سعی می‌کنند با بازآفرینی عکس‌های فضایی قدیمی توسط سیستم‌های شبکه‌ عصبی، به کشفیات جدیدی دست پیدا کنند.

از آنجا که طراحی هوش مصنوعی همانند مغز انسان است، شبکه‌های عصبی مبتنی بر آن می‌توانند مقدار بسیار زیادی از یک نوع داده را دریافت کنند و از دل این داده‌ها، الگویی توسعه ‌دهند که می‌توان آن را روی داده‌های جدید اعمال کرد. در همین مورد، دانشمندان در دانشگاه ای‌تی‌اچ زوریخ (ETH Zurich) در سوئیس به سیستم شبکه‌ی عصبی یاد دادند که چطور کیفیت عکس‌های تار را بالا ببرد و آن‌ها را تبدیل به عکس‌های شفاف و واضح کند. دانشمندان این کار را با نشان دادن عکس‌های واضح و عکس‌های تار به سیستم انجام دادند.

در این تحقیق از شبکه‌ی رقابتی مولد (GAN) استفاده شده است: ساختار جدیدی از شبکه‌های عصبی که در آن دو سیستم علیه یکدیگر وارد رقابت می‌شوند و در نهایت این رقابت باعث ارتقاء کارآمدی هر دو سیستم می‌شود. طبق گفته‌ی محققان، فرآیند آموزش سیستم GAN تنها به چند ساعت زمان نیاز دارد.

پس از آموزش شبکه، داده‌های جدید وارد آن شدند. داده‌ها، در واقع عکس‌های تارشده‌ای از کهکشان‌ها بودند و سیستم موظف بود آن‌ها را ترمیم کند. با این کار محققان دریافتند که شبکه‌ی عصبی GAN می‌تواند برخی از ویژگی‌های مهم تصاویر از جمله نواحی تشکیل ستاره‌های جدید و خطوط غباری را تشخیص دهد و بازیابی کند؛ ویژگی‌هایی که در حالت عادی در تصاویر نامشخص هستند. دانشمندان سپس تصاویر ارتقاءیافته توسط شبکه‌ی GAN‌ را با عکس‌های واضح اصلی مقایسه کردند. آن‌ها متوجه شدند که هوش مصنوعی نسبت به دیگر سیستم‌های واضح‌سازی تصاویر، از جمله تکنیک دکانولوشن (Deconvolution) عملکرد دقیق‌تری دارد. دکانولوشن تکنیکی است که در آن از درهم‌پیچیدگی تصاویر کاسته می‌شود.

عکس واضح از کهکشان۲

کوین شووانسکی محقق ارشد تیم می‌گوید:

ما می‌توانیم سال‌ها به رصد آسمان توسط تلسکوپ‌ها و ابزار پیچیده‌ی دیگر بپردازیم تا به جزییات بیشتری نسبت به گذشته دست یابیم و برای مثال، در مورد ساختار کهکشان‌ها بیشتر بدانیم. اما از طرف دیگر دلیلی وجود ندارد که برای رسیدن به جزییات بیشتر، به تصاویر فعلی یا آتیِ گرفته‌شده توسط تلسکوپ‌های فضایی هابل و جیمز وب برنگردیم و سعی نکنیم که آن‌ها را ارتقاء بخشیم. با این کار می‌توانیم در مورد ساختارهای اولیه‌ی کهکشان به اطلاعات بیشتری دست یابیم.

این تحقیق می‌تواند سرآغاز کشف‌های جدیدی باشد که از اطلاعات قدیمی نشأت می‌گیرند. تیم تحقیقاتی می‌گوید تکنیک آن‌ها می‌تواند به روش خودکاری تبدیل شود که در آن اطلاعات جمع‌آوری‌شده به‌صورت اتوماتیک به شبکه‌ی GAN وارد و پردازش می‌شوند. در این صورت، ساختارها و اطلاعات نهفته در تصاویر زودتر آشکار می‌شوند و دیگر لازم نخواهد بود که دانشمندان به‌صورت دستی به بررسی مدل‌های فیزیکی بپردازند.

منافع استفاده از این سیستم تنها به حوزه‌ی علوم فضایی محدود نمی‌شود. هر چه اطلاعات بیشتری به شبکه‌های عصبی مبتنی بر هوش مصنوعی وارد شود، به همان میزان عملکرد آن بهتر می‌شود؛ به‌گونه‌ای که تغذیه‌ی این سیستم با چنین اطلاعات ارزشمندی می‌تواند این سیستم هوش مصنوعی را به حدی توانا کند که به موضوع جالبی برای تحقیقات دانشمندان علوم رایانه تبدیل شود. چه ژنگ، یکی دیگر از محققان این مطالعه می‌گوید:

حجم وسیع اطلاعات اخترشناسی همیشه برای دانشمندان علوم رایانه شگفت‌انگیز بوده است. اما بعد از ظهور تکنیک‌هایی همچون یادگیری ماشینی، فیزیک نجومی می‌تواند بستر مناسبی برای پرداختن به یک سؤال مهم علوم محاسباتی باشد: ما چگونه می‌توانیم اطلاعات و دانشی را که در طول هزاران سال جمع کرده‌ایم، با سیستم‌های یادگیری ماشینی ادغام و در نتیجه ابعاد نهفته‌ی علم را آشکار کنیم؟ ما امیدواریم با همکاری کوین برای یافتن پاسخ این سؤال تلاش کنیم.

فیسبوک توییتر گوگل + لینکداین تلگرام واتس اپ کلوب

 

دیدگاهتان را بنویسید

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