افق های جدید در استخراج اطلاعات نقشه های سه بعدی

به گزارش خبرگزاری صدا و سیما ، محمدحسین جلالی کنفی در دوره پسادکتری خود با راهنمایی سید محمدصادق موحد در دانشگاه شهید بهشتی، پژوهشی با عنوان «کمی سازی محتوای ریخت شناسی (وزندار) ساختارهای بزرگ مقیاس با استفاده از استنتاج مبتنی بر شبیه سازی» انجام داده است.

جلالی کنفی با اشاره به پیشرفت های چشمگیر علم کیهان شناسی در دهه های اخیر گفت: پرسش هایی درباره منشأ جهان، اجزای تشکیل دهنده آن، سن، اندازه، شکل و سرنوشت کیهان که روزگاری پاسخ روشنی برای آن ها وجود نداشت، امروز با اتکا به پیشرفت های نظری، توسعه فناوری های رصدی و توان پردازشی رایانه ها، به موضوع پژوهش های دقیق علمی تبدیل شده اند. یکی از مهم ترین این پرسش ها، شناخت شکل و ساختار کیهان و چگونگی شکل گیری ساختارهای بزرگ مقیاس آن است. اگر بتوانیم از بیرون به جهان بنگریم، توزیع کهکشان ها را به صورت شبکه ای عظیم و به هم پیوسته مشاهده خواهیم کرد که «تار کیهانی» نام دارد. مطالعه این شبکه می تواند اطلاعات ارزشمندی درباره قوانین بنیادین فیزیک، ماده تاریک و انرژی تاریک در اختیار ما قرار دهد.

وی با تشریح هدف این پژوهش افزود: استخراج اطلاعات از ساختار پیچیده تار کیهانی با روش های متداول، که عمدتاً بر فاصله میان کهکشان ها و آمار توزیع آن ها تکیه دارند، با محدودیت هایی همراه است؛ زیرا بخش مهمی از اطلاعات مربوط به شکل، هندسه و توپولوژی این ساختارها را نادیده می گیرند. از این رو، در این پژوهش تلاش کردیم با بهره گیری از ابزارهای نوین، به ویژه ریخت شناسی وزن دار و روش های یادگیری ماشین، این اطلاعات پنهان را استخراج و در تحلیل های کیهان شناختی به کار گیریم.

این پژوهشگر ادامه داد: در این مطالعه، ویژگی های هندسی و توپولوژیکی ساختارهای بزرگ مقیاس با استفاده از تابعی های مینکوفسکی مورد بررسی قرار گرفت. سپس با معرفی و به کارگیری ریخت شناسی وزن دار، علاوه بر شکل کلی ساختارها، اطلاعات مربوط به جهت گیری ها و الگوهای پیچیده و غیرخطی نیز وارد تحلیل شد. این رویکرد امکان بهره برداری از بخشی از اطلاعات کیهان را فراهم می کند که در بسیاری از روش های متداول مورد استفاده قرار نمی گیرد.

وی با اشاره به نقش هوش مصنوعی در این پژوهش اظهار کرد: پیچیدگی ساختارهای کیهانی به اندازه ای است که توصیف کامل آن ها با روابط تحلیلی ساده امکان پذیر نیست. به همین دلیل، در این پژوهش از یکی از روش های نوین یادگیری ماشین با عنوان «استنتاج مبتنی بر شبیه سازی» (Simulation-Based Inference) استفاده شد. در این روش، ابتدا هزاران شبیه سازی عددی از جهان با استفاده از ابررایانه ها تولید شد و سپس شبکه های عصبی مصنوعی آموزش دیدند تا با استفاده از ویژگی های ریخت شناختی این ساختارها، ارتباط آن ها با پارامترهای بنیادی کیهان را بیاموزند. این رویکرد امکان شناسایی الگوهایی را فراهم کرد که استخراج آن ها با روش های تحلیلی مرسوم بسیار دشوار یا حتی غیرممکن است.

جلالی کنفی با اشاره به نتایج این پژوهش گفت: یافته های این مطالعه نشان داد ترکیب ریخت شناسی وزن دار با استنتاج مبتنی بر شبیه سازی، دقت برآورد پارامترهای بنیادی کیهان، از جمله چگالی ماده و دامنه نوسانات ماده را به طور قابل توجهی افزایش می دهد. همچنین در بررسی خوشه های کهکشانی پرجرم، دقت برآورد این پارامترها نسبت به روش های متداول بین 40 تا 45 درصد بهبود یافت.

وی خاطرنشان کرد: نتایج این پژوهش نشان می دهد اطلاعات نهفته در شکل، هندسه، توپولوژی و جهت گیری ساختارهای بزرگ مقیاس کیهانی، منبعی ارزشمند برای شناخت دقیق تر روند شکل گیری و تکامل جهان از مهبانگ تاکنون است. این پژوهش همچنین نشان می دهد که تلفیق روش های نوین ریخت شناسی با الگوریتم های پیشرفته یادگیری ماشین می تواند افق های تازه ای برای استخراج اطلاعات از نقشه سه بعدی جهان و انجام آزمون های دقیق تر مدل های کیهان شناسی فراهم کند.