Dette indlæg er alene udtryk for skribentens egen holdning.

AI kan med stor præcision spotte molekyler på exoplaneter – og måske endda opdage nye fysiklove

Modeltegning af exoplanetsystem
Modeltegning af exoplanetsystem Illustration: NASA. Se større version
Astronomer har udviklet XAI-metode for bedre at kunne bruge teknologien til at finde nye planeter.
Synspunkt7. december 2021 kl. 01:04
errorÆldre end 30 dage

Ved du, hvad Jordens atmosfære er lavet af? Du er måske klar over, at oxygen og nitrogen har noget med det at gøre. Og med lidt hjælp fra Google kan du nemt få et mere præcist svar: 78% nitrogen, 21% oxygen og 1% argongas. Men når det kommer til sammensætningen af ​​exo-atmosfærer – altså de atmosfærer, der tilhører planeterne uden for vores solsystem – kender du helt sikkert ikke svaret. Det er dog en skam – for hvis man vidste, hvad de planeters atmosfærer bestod af, vidste man også mere om, hvorvidt de var beboelige eller ej.

Da exoplaneter ligger så fjernt fra vores eget solsystem, har det vist sig ekstremt vanskeligt at undersøge deres atmosfærer. Forskning viser, at kunstig intelligens kan være vores bedste bud, hvis vi vil udforske dem – men det er kun, hvis vi kan bevise, at algoritmerne arbejder ud fra pålidelige og videnskabelige metoder og ikke snyder systemet. En ny undersøgelse i Astrophysical Journal giver os et betryggende indblik i deres gådefulde logik.

Astronomer udnytter oftest transit-metoden til at undersøge exoplaneter, hvilket indebærer måling af lysfald fra en stjerne, der passerer en planet. Hvis en atmosfære er til stede på planeten, kan den også absorbere en meget lille mængde lys. Observerer man denne proces på forskellige bølgelængder – det vil sige lysets farver – kan der ses spor af molekyler i det absorberede lys fra stjernerne, som dertil danner genkendelige mønstre i det, vi kalder et spektrum.

Hvis stjernen er sollignende, producerer en planet på størrelse med Jupiter en atmosfære og signal, der reducerer stjernelyset med kun ~ 0,01%. Planeter på størrelse med Jorden producerer signaler, der er 10 til 100 gange mindre. Det svarer i grove træk til at skulle bestemme øjenfarven på en kat, når man sidder i et fly.

I fremtiden vil denne proces fremskyndes af James Webb-rumteleskopet og Ariel Space Mission – uden, der ud fra deres kredsløb i rummet kan levere spektre af høj kvalitet til tusinder af exo-atmosfærer og på den måde undersøge planeterne nærmere. Men åbenlyst sonderne har begejstret rumforskere, nyere forskning , at det højst sandsynligt vil blive sværere end som så. Grundet atmosfærers komplekse natur kan analyseres af bare én transitplanet tage flere dage – og i værste fald uger – at udføre.

Forskere er derfor begyndt at lede efter alternativer. AI er kendt for dets evne til at assimilere og lære ud fra en stor mængde data – når dets algoritmer er blevet trænet, vel at mærke. Forskere har derfor forsøgt at træne AI til at forudsige mængden af ​​forskellige kemiske arter, som atmosfærer kan indeholde.

Igangværende forskning har fastslået, at kunstig intelligens godt kan tage hånd om denne opgave . Videnskabsfolk er dog som bekendt omhyggelige og skeptiske. For at bevise, at dette rent faktisk er tilfældet, har de derfor sat sig for at finde ud af, hvordan en AI-algoritme tænker.

Et smugkig i den sorte boks

Videnskaben vil aldrig kunne tage en teori eller et værktøj i brug, hvis man ikke forstår det i fulde drag. Når alt kommer til alt, har ingen lyst til at opleve spændingen ved at opdage livet på en exoplanet for så bare at indse, at en fejl i AI'en har tegnet et helt forkert billede. Den dårlige nyhed er, at AI-algoritmer er ekstremt dårlige til at forklare, hvordan de er kommet frem til deres resultater. Selv eksperter på området har svært ved at pege på det, der får netværket til at komme med en given forklaring. Denne ulempe har ofte forhindret, at kunstig intelligens integreres som hurtigt værktøj indenfor astronomien og andre videnskabelige områder.

Vi har udviklet en metode, der lader os tage et kig ind i en kunstig intelligens' beslutningstagen. Måden, man gør det på, er ret intuitiv. Sæt for eksempel, at en kunstig intelligens skal be- eller afkræfte, om en kat kan ses på et givet billede. En sådan opgave vil AI'en formentlig udføre ved at udpege en kats karakteristiske træk, såsom dens pels eller ansigtskonturer. For at kunne forstå, hvilke træk AI'en refererer til, og i hvilken rækkefølge, kan vi sløre kattens ansigt og se, om den stadig opdager, at billedet viser en kat.

xai
Hvordan en AI's forudsigelser fungerer i forbindelse med et sløret billede af en kat. Illustration: Forfatteren. Se større version Illustration: Forfatteren. Se større version Illustration: Forfatteren. Se større version

Det helt samme princip gjorde sig gældende, da vi skulle undersøge ydeevnen i en AI til undersøgelse af exoplaneter. Vi manipulerede med visse områder af det spektrum, AI’en skulle undersøge. Ved at observere, hvordan AI’ens forudsigelser om en exoplanets molekyler ændrede sig (f.eks. når der er vand i atmosfæren), kunne vi tegne et billede af, hvordan AI’en tænkte.

xai
Ved at sammenlægge det originale billede og de karakteristika, AI'en fremhæver kan vi producere et såkaldt følsomhedskort, der aftegner de områder, AI'en kigger nærmere på. Illustration: Forfatteren. Se større version Illustration: Forfatteren. Se større version

Til os astronomers lettelse fandt vi ud af, at en veltrænet AI hviler tungt på fysiske fænomener, såsom unikke spektroskopiske fingeraftryk – ligesom astronomers arbejde gør. Men det kommer måske ikke som nogen overraskelse – for hvor skulle AI’en ellers lære det fra?

Når det gælder læring, er kunstig intelligens faktisk ikke særlig meget anderledes fra en kæk gymnasiestuderende. Den vil gøre sit allerbedste for at springe over, hvor gærdet er lavest (f.eks., når den skal sætte sig ind i avancerede matematiske regnestykker) og gøre vejen til det rigtige svar så kort som muligt.

I vores øjne ville det være alt andet end optimalt, hvis AI’ens forudsigelser ene og alene var baseret dens hukommelse af enkelte spektre. Vi så hellere, at AI’en udledte dens svar fra selve datasættet – uanset om de består af kendte eller ukendte data.

Denne opdagelse lagde grobunden for metoden til at tage det første smugkig i det, man kan kalde AI’ens sorte boks, der kan gøre os klogere på, hvad AI’en har lært. Med disse værktøjer kan forskere ikke kun fremskynde AI’ens proces i at analysere exoplaneters atmosfærer, men også bekræfte, at den arbejder ud fra et fundamentalt sæt naturlove.

Når det er sagt, er det stadig for tidligt at påstå, at vi fuldt ud forstår kunstig intelligens. Det næste skridt er at finde ud af, hvor vigtigt hvert koncept er, og hvordan det bliver brugt, når AI’en træffer beslutninger.

Udsigten er spændende for AI-eksperter, men endnu mere for os forskere. AI's utrolige indlæringskraft stammer fra dens evne til at indlære en "repræsentation" eller et mønster fra dataene - en teknik, der minder om, hvordan fysiske har opdaget naturlove for bedre at forstå vores verden.

Dette synspunkt er oprindeligt bragt på The Conversation under Creative Commons-licensen. 

Ingen kommentarer endnu.  Start debatten
Debatten
Log ind for at deltage i den videnskabelige debat.