|
ИИ помогает астрономам в исследованиях
|
|
|
|
Новое исследование, проведенное совместно Оксфордским университетом и Google Cloud, показало, как искусственный интеллект общего назначения может точно классифицировать реальные изменения в ночном небе, такие как взрыв звезды, черная дыра, разрывающая на части проходящую мимо звезду, быстро движущийся астероид или краткая звездная вспышка от компактного объекта. звездная система — и объясните ее логику, не прибегая к сложному обучению.
|
|
|
|
Опубликованное в журнале Nature Astronomy исследование исследователей из Оксфордского университета, Google Cloud и Университета Радбауда демонстрирует, что универсальная модель большого языка (LLM) - Google Gemini — может быть преобразована в опытного помощника по астрономии с минимальными затратами времени.
|
|
|
|
Используя всего 15 примеров изображений и простой набор инструкций, Gemini научилась отличать реальные космические события от артефактов на изображениях примерно с точностью 93%. Важно отметить, что ИИ также предоставил простое объяснение на английском языке для каждой классификации - важный шаг на пути к тому, чтобы сделать науку, основанную на ИИ, более прозрачной и заслуживающей доверия, а также к созданию доступных инструментов, которые не требуют огромных наборов обучающих данных или глубоких знаний в области программирования ИИ.
|
|
|
|
"Поразительно, что несколько примеров и понятных текстовых инструкций могут обеспечить такую точность", - сказал доктор Фиоренцо Стоппа, один из ведущих авторов исследования, с физического факультета Оксфордского университета. "Это дает возможность широкому кругу ученых разрабатывать свои собственные классификаторы без глубоких знаний в области обучения нейронных сетей — только при наличии желания создать их".
|
|
|
|
|
|
|
"Для человека, не имеющего формального астрономического образования, это исследование невероятно увлекательно", - сказал Туран Булмус, соавтор исследования из Google Cloud. "Это демонстрирует, как магистранты общего назначения могут демократизировать научные открытия, предоставляя любознательным людям возможность вносить значимый вклад в области, в которых они, возможно, не имеют традиционного опыта. Это свидетельствует о способности доступного искусственного интеллекта преодолевать барьеры в научных исследованиях".
|
|
|
|
Редкие сигналы во вселенной шума
|
|
|
|
Современные телескопы неустанно сканируют небо, каждую ночь выдавая миллионы предупреждений о возможных изменениях. Хотя некоторые из них являются подлинными открытиями, такими как взрывающиеся звезды, подавляющее большинство - это "ложные" сигналы, вызванные следами спутников, попаданиями космических лучей или другими инструментальными артефактами.
|
|
|
|
Традиционно астрономы полагались на специализированные модели машинного обучения для фильтрации этих данных. Однако эти системы часто работают как "черный ящик", просто помечая их как "настоящие" или "фиктивные", не объясняя их логику. Это вынуждает ученых либо слепо доверять полученным данным, либо тратить бесчисленные часы на ручную проверку тысяч кандидатов — задача, которая станет невыполнимой с появлением телескопов следующего поколения, таких как обсерватория Веры Рубин, которая будет выдавать около 20 терабайт данных каждые 24 часа.
|
|
|
|
Исследовательская группа задалась простым вопросом: может ли универсальный мультимодальный искусственный интеллект, подобный Gemini, предназначенный для совместного понимания текста и изображений, не только соответствовать точности специализированных моделей, но и объяснять то, что он видит?
|
|
|
|
Команда предоставила LLM всего 15 помеченных примеров для каждого из трех основных обзоров неба (ATLAS, MeerLICHT и Pan-STARRS). Каждый пример включал небольшое изображение нового предупреждения, эталонное изображение того же участка неба и изображение "отличия", подчеркивающее изменение, а также краткое примечание эксперта. Руководствуясь только этими немногочисленными примерами и краткими инструкциями, модель классифицировала тысячи новых предупреждений, снабдив их меткой (реальные/фиктивные), оценкой приоритета и кратким, понятным описанием своего решения.
|
|
|
|
Человек в курсе событий: искусственный интеллект, который знает, когда обратиться за помощью.
|
|
|
|
Ключевым компонентом исследования была проверка качества и полезности объяснений ИИ. Команда собрала группу из 12 астрономов для анализа описаний ИИ, которые оценили их как очень последовательные и полезные.
|
|
|
|
Более того, в ходе параллельного теста команда Gemini проанализировала свои собственные ответы и присвоила каждому из них оценку согласованности. Они обнаружили, что достоверность модели является мощным показателем ее точности: результаты с низкой степенью согласованности с гораздо большей вероятностью будут неверными. Такая возможность самооценки имеет решающее значение для создания надежного рабочего процесса "человек в курсе". Автоматически отмечая свои собственные неопределенные случаи для проверки человеком, система может сосредоточить внимание астрономов там, где это наиболее необходимо.
|
|
|
|
Используя этот цикл самокоррекции для уточнения исходных примеров, команда улучшила производительность модели на одном наборе данных с ~93,4% до ~96,7%, продемонстрировав, как система может обучаться и совершенствоваться в партнерстве с экспертами-людьми.
|
|
|
|
Соавтор, профессор Стивен Смартт (Stephen Smartt, физический факультет Оксфордского университета), сказал: "Я работал над проблемой быстрой обработки данных, полученных в ходе обзоров неба, более 10 лет, и нам постоянно приходится отделять реальные события от ложных сигналов при обработке данных. Мы потратили годы на подготовку моделей машинного обучения, нейронных сетей, для распознавания изображений.
|
|
|
|
"Тем не менее, точность, с которой LLM распознает источники с минимальным руководством, а не с обучением по конкретной задаче, была замечательной. Если мы сможем разработать масштабную программу, это может полностью изменить правила игры в этой области, что станет еще одним примером ИИ, способствующего научным открытиям".
|
|
Что дальше?
|
|
|
|
Команда рассматривает эту технологию как основу для создания автономных "агентов-помощников" в науке. Такие системы могли бы делать гораздо больше, чем просто классифицировать одно изображение; они могли бы интегрировать множество источников данных (например, изображения и измерения яркости), проверять свою собственную достоверность, автономно запрашивать последующие наблюдения с роботизированных телескопов и предоставлять ученым-людям только самые многообещающие и необычные открытия.
|
|
|
|
Поскольку этот метод требует лишь небольшого набора примеров и инструкций на простом языке, он может быть быстро адаптирован к новым научным инструментам, исследованиям и исследовательским целям в различных областях.
|
|
|
|
"Мы вступаем в эпоху, когда научные открытия ускоряются не с помощью алгоритмов "черного ящика", а с помощью прозрачных партнеров в области искусственного интеллекта", - сказал Туран Булмус, один из ведущих авторов Google Cloud.
|
|
|
|
"Эта работа показывает путь к системам, которые учатся вместе с нами, объясняют свои рассуждения и позволяют исследователям в любой области сосредоточиться на самом важном: задать следующий важный вопрос".
|
|
|
|
Источник
|
