Изкуственият интелект вече помага на учените по хелиофизика да изучават Слънцето

Учените в България очакват с нетърпение 2025-а година, когато България ще стане част от европейската мрежа от радиотелескопи ЛОФАР. Из цяла Европа тези станции събират неимоверно огромно количество данни за слънчевата активност и поради тази причина правят възможно моделирането на изригвания, избухвания, високоенергийни частици, прогнозиране на космическото време, изследването на магнитосферата на Земята и планетите. Всъщност този потенциал е видял и Мохамед Нидал. Учил в университета в Кайро, в Египет, където има център за наблюдение на космическото време. Преди време обаче дошъл в България по покана на астрофизикът Камен Козарев. Мохамед Нидал обяснява, че в морето от данни изкуственият интелект дава "едно рамо":

"Използвайки изкуствен интелект, машинно обучение, можем да правим различни неща. Данните са суровият материал. Аз например работя с заредените слънчеви частици. Приложих методите на изкуствения интелект, за да направя прогнозен модел. По принцип този модел ми казва как потокът на слънчевата радиация ще се движи във времето. И така например, ако имам космическа мисия утре - вдругиден, бих искал да мога да предскажа каква ще бъде слънчевата радиация по това време. Така че ако е висока, можем да отложим мисията, ако е ниска и безопасна - можем да продължим. Това е един вид система за предупреждение за слънчева радиация. Поне за момента за това използваме машинното обучение. Но разширяваме тази система, за да включим други явления като може би слънчеви изригвания. Защото има много неща, на които бих искал да направя прогноза".  

За тази работа обаче Мохамед разбрал, че трябва да научи програмиране. Обяснява, че програмните езици са вече универсалният инструмент за работа на учените, а изкуственият интелект е тясно свързан с програмирането:  

"За да създадете тези системи, трябва да знаете как да го програмирате. Така че имате нужда от програмиране, за да направите това".  

Мохамед казва, че бързото развитие на технологиите с изкуствен интелект го изправи трудно за предсказване колко силно ще навлезе в науката му. Но е сигурен, че изкуственият интелект става незаменим помощник - заедно с учения, а не въпреки него: 

"След 10 години съм сигурен, че ще бъде напълно различно от сега. Може системите да са по-сложни, по-напреднали, по-точни". 

Повече изкуствен или повече естествен интелект обаче?  

"И двете. Тъй като ние сме хора, ние учим машините как да ни помагат в нашата работа. Ние също се учим в този процес. Така че използвайте и двете".  

Вярвате ли на изкуствения интелект?  

"Това е много, много добър въпрос. Защото това е смисълът на използването му. Ако изходните данни от модела не са точни, те са безполезни. За да сме сигурни, че е валиден и точен, сравняваме резултатите с други реални данни. Имаме две подгрупи от данни. Едната е за обучение. И в тези данни ние сме сигурни, че са достоверни. След това правим тест върху обучения модел. И ако върху тестовите данни сме получили същите резултати, това означава, че обучението е правилно. Надежден е, защото използваме математическите уравнения като показатели за грешка, за да определим количествено колко е точен. По отношение на математиката и числата. И досега, например, в моята работа, точността е между 80 до 90%, което е, което е страхотно. Но ние искаме да го направим по-добър". 

Значи тези 20 до 10% са най-важните?

"Това е предизвикателството. Засега резултатите са задоволителни, но ние искаме да ги подобрим".  

Любопитно ми е, възможно ли е да се доверим изцяло на данните от изкуствения интелект, които произвеждат?  

"Бих казал не, защото винаги ще имаме нужда от човешкия поглед, за да проверят и удостоверят подадените данни".  

На практика казвате, че изкуственият интелект не би могъл да стане по-умен от хората?  

"Не мисля така. Да, знам това, че някои хора го казват, но аз не мисля така. Не всички работни места могат да бъдат заменени с машинно обучение. Някои работни места могат да бъдат заменени, разбира се. Но работите, които включват творчество, творческо мислене като научни изследвания, литература... тези неща, които включват креативност, е много трудно да ги заменим с машини".  

Пиърс Мърфи е ирландец, но работи в обсерваторията на Париж. Също наблюдава активността на Слънцето и също като колегата си Мохамед от Египет вярва, че изкуственият интелект би помогнал:

"Слънчевите изригвания освобождават много енергия и частици навън в космоса и те могат да взаимодействат със земната атмосфера и това е причината за Северното сияние. Но понякога дори могат да причинят прекъсвания на комуникациите, на електрозахранването. Ако има много много интензивна енергия, освободена от Слънцето, те могат да повлияят и тук, на Земята. В Париж се опитвам да използвам машинно обучение, за да разпознавам автоматично кога Слънцето изпуска тези радиоизлъчвания. Тези радиосигнали са много много сложни и има много различни форми и структури. И това, което би отнело на човек часове, ако не и години, докато изучава всички тези форми, машинното обучение може да разпознае за няколко секунди. Ето защо наистина искам да го използвам, защото може да ускори процеса и мога да използвам вече обработените данните, за да направя допълнителен анализ. И като ускорим обработката на данните, ще имате свободно време да разберем защо Слънцето се държи по определен начин". 

Пиърс Мърфи от обсерваторията на Париж обаче казва, че най-трудната част е изкуственият интелект да бъде обучен: 

"В основни линии казвам на машинния модел: „Ако видите нещо, което има по-висок интензитет от всички неща наоколо, това се брои за слънчево радиоизлъчване“. Това е нещо, което ме интересува. В момента всичко, което алгоритъмът за машинно обучение прави за мен, е да показва всички части, които са по-интензивни от другите, което не е много умно в момента. Но ако имах екип от хора около мен, които биха могли да вземат всички тези части и да кажат - добре, това е, което наричаме радиоизбухване тип 3 или радиоизбухване от тип 2 и обозначим всички стотиците и хилядите от тези различни неща, тогава алгоритъмът за машинно обучение ще може да учи дори по-добре какви емисии получаваме от Слънцето. В края на процеса всичко не зависи от изкуствения интелект, а от естествения - на учения, но той е нужен дори за основното обучение на алгоритъма".  

Нуждаете се от много изчислителна мощност. Как решавате изчислителната мощност?  

"Лабораторията, в която работя, има много компютърни ресурси. А също и екипът на радиотелескопа в Нанси разполагат с много компютърни ресурси, компютри с много ядра и по-специално графични процесори. Мисля, че те дори не са от най-модерните графични карти. Нищо особено няма в тях, доколкото знам. Но дори и с тях бихте могли да извършвате изследвания. Самият аз се научих да програмирам на „Пайтън“. Но според мен едно от трудните неща е да накарам компютъра да знае кога да използва графичните процесори и кога не. Но голяма част от това го има и в библиотеките на Пайтън за машинно обучение".  

Всъщност казвате, че не сте само астроном, но и програмист.  

"Да, мисля, че всички астрономи са програмисти до някъде. От самото начало разбрах, че имам нужда от този конкретен набор от знания. Като студент, когато учехме астрономия, големият фокус в лабораториите и практическите упражнения беше кодирането, защото за Слънцето и за много астрофизични данни това е полезно. С телескопите гледаме неща, които са на хиляди километри, милиони километри. Така че трябва да можете да кодираме, за да опитате да извлечете възможно най-много от тези данни. На практика като астономи гледаме не само през телескопа. Гледаме и битовете в данните, защото те са важни за т.нар. космическо време, което има все по-сериозно влияние тук, на Земята. Мисля, че ако имаме добро разбиране и тук машинното обучение също би помогнало, за да разберем как и кога Слънцето освобождава тази енергия, наистина ще ни помогне. Дори и за пътуването ни в космоса. Защото не можете да изпратите хора в космоса във времето на тези слънчеви изригвания. Сателитите също се влияят. Когато има големи енергийни изригвания от Слънцето, това може да повлияе на електронните вериги вътре в сателитите и да причини неизправност. Така че ако знаете, че нещо лошо или нещо голямо ще се случи на Слънцето, можете да кажете на сателитите ОК, просто изчакайте, преминете в режим на ниска мощност, така че нищо лошо да не ви се случи, и след това можете да го върнете отново на нуждата орбита. Така че мисля, че машинното обучение и разбирането на Слънцето в частност е много е важно за нас. И особено с цялата технология, която имаме около нас".  

И Пиърс Мърфи от обсерваторията на Париж казва, че в бъдеще трябва да има баланс между използването на изкуствения интелект и използването на знания от учените:

"Мисля, че винаги е страхотно да имаме машинно обучение, но е много важно да разберем какво сме направили ние като хора, използвайки човешкия интелект, за да накараме машините да се учат. И мисля, че е важно да разберем защо използваме машинното обучение и как го използваме. Не може просто хвърлете данни и да чакате нещо като резултат. Трябва да разбираме защо получаваме отговорите. С проекта ЛОФАР – големия радиотелескоп, част от който ще е и в България, ще имаме много повече данни, които да постъпват в суперкомпютъра в Нидерландия, където данните от България, от Ирландия, от цяла Европа ще са свързани заедно, умножено заедно, за да се опитаме да разберем откъде идват сигналите от космоса и какво гледаме, как изглежда и какви физически процеси причиняват това".  

Пиърс Мърфи от обсерваторията на Париж отчита, че инвестицията в подобен на българския радиотелескоп в Ирландия се е изплатила поне 100 пъти. Системата позволила да добавят още нови знания към вече известните, каза още той.