ناسا اعلام کرد تلسکوپ فضایی نانسی گریس رومن (Nancy Grace Roman) در سپتامبر ۲۰۲۶ به مدار زمین پرتاب خواهد شد — یعنی هشت ماه زودتر از برنامهریزی اولیه. این تلسکوپ جدید در طول عمر عملیاتی خود قرار است حدود ۲۰٬۰۰۰ ترابایت (۲۰ پتابایت) داده به جامعه علمی تحویل دهد؛ جریان دادهای که چالشهای پردازشی و فرصتهای علمی بیسابقهای ایجاد میکند.
حجم دادههای نجومی در حال انفجار است
برای درک بزرگی این جریان داده کافی است آن را با ماموریتهای فعلی مقایسه کنیم: تلسکوپ فضایی جیمز وب از سال ۲۰۲۱ هر روز حدود ۵۷ گیگابایت تصویر چشمنواز به زمین مخابره میکند، رصدخانه ورای سی. روبین (Vera C. Rubin Observatory) که امسال پایش گسترده خود را آغاز میکند، قرار است شبانه حدود ۲۰ ترابایت داده تولید کند و تلسکوپ هابل که زمانی معیار بود، روزانه تنها یک تا دو گیگابایت داده حسگری ارسال میکرد. جمع این دادهها نیاز به روشهای محاسباتی جدید را اجتنابناپذیر میسازد.
چرا GPUها به ابزار اصلی اخترشناسان تبدیل شدهاند؟
پردازش حجم عظیم دادههای تصویری و شبیهسازیهای پیچیده ستارهای با پردازندههای سنتی (CPU) دیر یا زود ناکافی خواهد بود. کارتهای گرافیکی (GPU) بهخاطر معماری موازیشان برای آموزش شبکههای عصبی عمیق و اجرای شبیهسازیهای عددی مناسبترند؛ بنابراین موسسات نجومی و اخترفیزیکدانان بهسرعت به GPU روی آوردهاند تا از عهدهی سیلاب دادهها برآیند و تحلیلهای زمانبندیشده و پیچیده را انجام دهند.
نمونهای از تحول: پروژه Morpheus و نقش هوش مصنوعی
برانت رابرتسون، اخترفیزیکدان دانشگاه کالیفرنیا در سانتا کروز، در پانزده سال گذشته از نزدیک شاهد این تغییر بوده و با شرکت Nvidia همکاری کرده است. او و دانشجوی سابقش، رایان هوزن، مدل یادگیری عمیقی به نام Morpheus توسعه دادند که قادر است مجموعههای عظیم داده را مرور کرده و کهکشانها را شناسایی کند. تحلیلهای اولیهی Morpheus روی دادههای جیمز وب، تعداد غیرمنتظرهای از کهکشانهای دیسکی را نشان داد و دیدگاههایی تازه در مورد سیر تحول کیهان افزود.
تبدیل معماری از شبکههای کانولوشنی به ترنسفورمرها
رابرتسون اکنون در حال بازطراحی Morpheus است و از شبکههای کانولوشنی به معماری ترنسفورمر که پشت مدلهای زبان بزرگ قرار دارد، مهاجرت میکند. این تغییر امکان تحلیل مناطق چندبرابر بزرگتر و افزایش سرعت پردازش را فراهم میآورد، که برای واکاوی دادههای رصدخانههای آینده ضروری است.
استفاده از هوش مصنوعی مولد برای بهبود رصدهای زمینی
علاوه بر تحلیل، تیمها روی مدلهای مولد هوش مصنوعی کار میکنند تا کیفیت مشاهدات تلسکوپهای زمینی را که تحت تأثیر جو زمین دچار اعوجاج میشوند، ارتقا دهند. دستیابی به آینههای عظیم در فضا (برای مثال آینهای هشت متری) هنوز چالش فنی و اقتصادی بزرگی است؛ بنابراین استفاده از نرمافزار و مدلهای هوش مصنوعی برای نزدیکسازی کیفیت تصاویر زمینی به تصاویر فضایی، راهحلی عملی و مقرونبهصرفه محسوب میشود.
زیرساخت محاسباتی و فشار بودجه
با رشد تقاضا برای پردازش مبتنی بر GPU، زیرساختهای مراکز تحقیقاتی نیز تحت فشار قرار گرفتهاند. رابرتسون با استفاده از بودجه بنیاد ملی علوم (NSF) خوشهای از GPUها در UC Santa Cruz راهاندازی کرده، اما ظرفیت آن بهسرعت قدیمی میشود و تقاضا از سوی پژوهشگران روزبهروز افزایش مییابد. از طرفی پیشنهادهایی برای کاهش بودجه NSF تا ۵۰ درصد مطرح شده که میتواند تأثیر منفی بر توسعهٔ زیرساختهای محاسباتی تحقیقاتی داشته باشد. رابرتسون بر نیاز به رویکردی کارآفرینانه و سرمایهگذاری هدفمند در محاسبات علمی تاکید میکند تا دانشگاهها و مراکز پژوهشی بتوانند در «لبه فناوری» باقی بمانند.
جمعبندی
با ورود تلسکوپ نانسی گریس رومن و آغاز رصدهای گستردهتر از سوی روبین و ادامهٔ کار جیمز وب، جامعهٔ نجومی وارد دورهای مملو از داده و کشف خواهد شد. پیوند میان تجهیزات پیشرفته رصدی، شتابدهندههای گرافیکی و الگوریتمهای هوش مصنوعی، کلید استخراج ارزش علمی از این حجم عظیم اطلاعات است — اما تحقق این چشمانداز مستلزم سرمایهگذاری در زیرساختهای محاسباتی و حمایت پایدار از پژوهش خواهد بود.