Pracovat s využitím všech dosud získaných poznatků a podle svých nejlepších dovedností – a pokud si neví rady, požádat o radu či pomoc zkušenější kolegy. Tak se obyčejně snaží pracovat nováček, který nastoupí do týmu vědeckého pracoviště. A podobný přístup mohli ocenit i astronomové. Jen s tím rozdílem, že úspěchy nového asistenta poplácáváním po zádech neocení. Nemá totiž tělo; jen duši.

Zapojení umělé inteligence do bádání na hvězdné obloze vyzkoušel výzkumný tým z Astronomického ústavu Akademie věd ČR a Fakulty informačních technologií ČVUT.

Premiérou v tomto oboru bylo využití metody umělé inteligence nazvané active deep learning, připomněl Pavel Suchan z astronomického ústavu. „Na rozdíl od běžně používaných postupů síť sama požádá člověka o radu v těch případech, kde si je nejméně jistá,“ vysvětlil. S tím, že tenhle postup výzkumníci uplatnili při elektronickém posuzování archivu záznamů pořízených čínským spektroskopickým dalekohledem LAMOST.

S domácí troškou do světového mlýna

„Objevili skoro tisíc dosud nepopsaných velmi vzácných vesmírných objektů,“ upozornil Suchan na výsledky. Připomněl, že vedle horkých hvězd s rychle rotujícími disky bylo do celosvětové databáze Vizier možno nově zařadit například i nově vznikající hvězdy s formujícím se planetárním systémem – či naopak velmi hmotné vyhořívající hvězdy těsně před výbuchem. A klíčovou roli při tomto objevu sehrály i záznamy z Perkova dalekohledu na ondřejovské hvězdárně.

Informace je poučením pro příště

Záběr z ondřejovské hvězdárny.Zdroj: archiv Astronomického ústavu AV ČRZkoumání světelného spektra, zpravidla převedeného do podoby grafu, může zkušenému astronomovi prozradit spoustu zajímavostí o jeho zdroji. Včetně náznaků, kde se může skrývat něco neobyčejného, dosud neobjeveného. Pořizovaných spekter je však k dispozici tolik, že jejich zhodnocení by nebylo v silách ani celé armády astronomů.

Vyvíjely se sice automatizované systémy, jejichž algoritmy si mají s tříděním poradit – mělo to ale háček: spolehlivě jim to šlo jen u běžných hvězd. V případě těch výjimečných stále hraje klíčovou roli zkušené oko astrofyzika.

Proč by se však to, co zvládne člověk, elektronické sítě nemohly naučit? Inu: šlo by to – byly by však potřebné desítky či stovky tisíc příkladů. Kde však tolik mimořádností vzít, když mají být teprve vyhledávány? Přesto se podařilo vyřešit, jak v archivu LAMOSTu automaticky hledat něco nového. Mimo jiné i díky odhodlání Petra Škody, který vedle práce v Ondřejově také působí na ČVUT, se studenty řeší využití softwarových technologií v astronomii a spolupracuje i s dalšími kolegy.

K „učení“ pomohly právě záběry Perkova dalekohledu z Ondřejova – byť je bylo třeba poněkud přizpůsobit tomu, jak by je viděla technologie LAMOSTu – a podařilo se vyřešit i problém s tím, že vzorů není dostatek. Právě uplatněním metody aktivního učení.

Síť se zeptá experta, když si neví rady, jeho informaci přiřadí k poznatkům, které už zná – a postupně se potřebuje dotazovat míň a míň. „Ačkoli jsme intenzivně hledali v literatuře a ptali se i kolegů ve světě, zdá se, že jsme první, kdo použil aktivní učení ve spojení s hlubokými neuronovými sítěmi v astronomii,“ poznamenal Škoda.

Možnosti umělé inteligence v astronomii

- Metoda aktivního hlubokého učení nastiňuje budoucí směr používání umělé inteligence v astronomii – a možná i jiných vědách.

- Stroj bude pracovat v těsné spolupráci s člověkem, bude za něj dělat rutinní práci, ale jakmile si nebude jistý, požádá o radu. Tuto koncepci výzkumný tým dále propracovává.

- Dosavadní výzkum naznačil, že člověk bude vždy potřeba, aby pomohl počítači se složitým rozhodováním; zejména v případech, kdy bude k dispozici málo dat. Zkušený expert vždy rozhoduje (třeba i podvědomě) na základě více indicií, než kolik bylo ve vstupních datech pro algoritmus strojového učení.

Zdroj: Petr Škoda, Astronomický ústav Akademie věd ČR