La inteligencia artificial y el aprendizaje automático se han vuelto omnipresentes, con aplicaciones que van desde el análisis de datos, la ciberseguridad, el desarrollo de fármacos, la composición musical y las actuaciones artísticas.
En los últimos años también han surgido grandes modelos de lenguaje (LLM), que añaden la interacción humana y la escritura a la larga lista de aplicaciones. Esto incluye ChatGPT, un programa LLM que ha tenido un profundo impacto desde su introducción hace menos de dos años. Esta aplicación ha provocado un importante debate (y controversia) sobre los posibles usos e impactos de la inteligencia artificial.
La astronomía también se ha beneficiado enormemente, ya que el aprendizaje automático se utiliza para clasificar grandes cantidades de datos con el fin de buscar señales de tránsitos planetarios, corregir interferencias atmosféricas y encontrar patrones en el ruido. Según un equipo internacional de astrofísicos, esto puede ser sólo el comienzo de lo que la inteligencia artificial puede hacer en astronomía.
En un estudio reciente, el equipo ajustó un modelo de transformador generativo preentrenado (GPT) utilizando observaciones de objetos astronómicos. En el proceso, demostraron con éxito que los modelos GPT pueden ayudar eficazmente a la investigación científica.
El estudio fue realizado por el Centro Internacional de Red de Astrofísica Relativista (ICRANet), un consorcio internacional formado por investigadores del Centro Internacional de Astrofísica Relativista (ICRA), el Instituto Nacional de Astrofísica (INAF) y la Universidad de Ciencia y Tecnología. en los Estados Unidos. China, Academia China de Ciencias, Instituto de Física de Altas Energías (CAS-IHEP), Universidad de Padua, Universidad Tecnológica de Isfahán y Universidad Ferreira.
ellos papel«¿Puede la IA comprender nuestro universo? Probando el ajuste fino de GPT con datos astrofísicos», se publicó recientemente en arXiv Servidor de impresión avanzado.
Como se mencionó anteriormente, los astrónomos dependen en gran medida de algoritmos de aprendizaje automático para clasificar las masas de datos adquiridos por los telescopios e instrumentos modernos. Esta práctica comenzó hace aproximadamente una década y desde entonces ha crecido a pasos agigantados hasta el punto de incorporar la IA a todo el proceso de investigación. Como dijo el presidente de ICRA y autor principal, Yu Wang, a Universe Today por correo electrónico:
“La astronomía siempre ha estado impulsada por los datos, y los astrónomos estuvieron entre los primeros en adoptar y utilizar el aprendizaje automático. Ahora, el aprendizaje automático se ha integrado en todo el proceso de investigación astronómica, desde la fabricación y el control hasta la investigación terrestre y espacial. Telescopios (por ejemplo, mejorar el rendimiento de los sistemas de óptica adaptativa, optimizar el inicio de acciones específicas (disparadores) de satélites bajo ciertas condiciones, etc.), análisis de datos (por ejemplo, reducción de ruido, atribución de datos, clasificación, simulación, etc.) y creación. y validación de modelos teóricos (por ejemplo, probar la gravedad modificada, restringir la ecuación de estado de las estrellas de neutrones, etc.)”.
El análisis de datos sigue siendo la más popular de estas aplicaciones, ya que es el área en la que es más fácil integrar el aprendizaje automático. Tradicionalmente, decenas de investigadores y cientos de científicos ciudadanos analizan los volúmenes de datos producidos por una campaña de seguimiento.
Sin embargo, esto no es práctico en una era en la que los telescopios modernos recopilan terabytes de datos diariamente. Esto incluye estudios de todo el cielo, como el Very Large Sky Survey (VLASS) y las numerosas fases del Sloan Digital Sky Survey (SDSS).
Hasta la fecha, los LLM sólo se han aplicado esporádicamente a la investigación astronómica, ya que son relativamente nuevos. Pero según defensores como Wang, esta revolución tuvo un enorme impacto social y su potencial era mínimamente equivalente a una “revolución industrial”.
En cuanto al límite superior, Wang espera que varíe significativamente y posiblemente conduzca a la «iluminación o destrucción» de la humanidad. Sin embargo, a diferencia de la Revolución Industrial, el ritmo del cambio y la integración es mucho más rápido para la IA, lo que plantea dudas sobre hasta dónde llegará su adopción.
Para determinar su potencial en astronomía, dijo Wang, él y sus colegas adoptaron un modelo GPT previamente entrenado y lo ajustaron para identificar fenómenos astronómicos:
“OpenAI proporciona modelos previamente entrenados, y lo que hicimos fue realizar ajustes, lo que implica cambiar algunos parámetros según el modelo original, lo que le permite reconocer datos astronómicos y calcular resultados a partir de esos datos. Esto es un poco como OpenAI que nos proporciona. un estudiante universitario que lo capacitó para convertirse en un estudiante de posgrado en astronomía.
“Proporcionamos datos limitados con una precisión modesta y entrenamos GPT menos veces en comparación con los modelos normales. Sin embargo, los resultados fueron impresionantes, logrando una precisión de alrededor del 90%. Este alto nivel de precisión se debe a la sólida base de GPT, que ya comprende. Procesamiento de datos y habilidades de razonamiento lógico, además de habilidades de comunicación”.
Para mejorar su modelo, el equipo realizó observaciones de diversos fenómenos astronómicos derivados de diferentes catálogos. Esto incluyó 2.000 muestras SDSS de cuásares, galaxias, estrellas y cuásares de línea de absorción amplia (BAL) (500 cada uno). También combinaron observaciones de estallidos de rayos gamma (GRB) cortos y largos, galaxias, estrellas y simulaciones de agujeros negros. Cuando se probó, su modelo clasificó con éxito diferentes fenómenos, distinguió entre tipos de cuásares, infirió la distancia entre ellos basándose en el corrimiento al rojo y midió el giro y la inclinación de los agujeros negros.
«Este trabajo al menos muestra que los LLM son capaces de procesar datos astronómicos», dijo Wang. “Además, la capacidad del modelo para manejar diferentes tipos de datos astronómicos es una habilidad que otros modelos especializados no tienen. Esperamos que los estudiantes de maestría puedan integrar diferentes tipos de datos y luego identificar principios básicos comunes que nos ayuden a comprenderlos. Por supuesto que esto es una tarea”. «Difícil y no una tarea que los astrónomos puedan realizar solos».
Por supuesto, el equipo admite que el conjunto de datos con el que experimentaron era muy pequeño en comparación con los datos producidos por los observatorios modernos. Esto es especialmente cierto para instalaciones de próxima generación como el Observatorio Vera C. Rubin, que recientemente adquirió la cámara LSST, ¡la cámara digital más grande del mundo!
Una vez que Rubin esté en funcionamiento, realizará una encuesta heredada del espacio y el tiempo (LSST) de 10 años, que se espera que produzca 15 terabytes de datos por noche. Wang dice que satisfacer las demandas de futuras campañas requerirá mejoras y colaboración entre observatorios y empresas especializadas en IA.
Sin embargo, seguramente habrá más aplicaciones de LLM para astronomía en un futuro próximo. Este no es sólo un avance potencial, sino necesario dada la gran cantidad de datos producidos por los estudios astronómicos en la actualidad. Dado que es probable que esta cifra aumente significativamente en el futuro próximo, es probable que la IA se vuelva indispensable en el campo de estudio.
más información:
Yu Wang et al., ¿Puede la IA comprender nuestro universo? Probando la sintonización de GPT con datos astrofísicos, arXiv (2024). DOI: 10.48550/arxiv.2404.10019
La frase: ¿Qué puede aprender la inteligencia artificial sobre el universo? (2024, 3 de mayo) Obtenido el 3 de mayo de 2024 de https://phys.org/news/2024-05-ai-universe.html
Este documento está sujeto a derechos de autor. Sin perjuicio de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin permiso por escrito. El contenido se proporciona únicamente con fines informativos.
«Solucionador de problemas. Gurú de los zombis. Entusiasta de Internet. Defensor de los viajes sin disculpas. Organizador. Lector. Aficionado al alcohol».