Negli ultimi anni sono emersi anche modelli linguistici di grandi dimensioni (LLM), che aggiungono l’interazione umana e la scrittura al lungo elenco di applicazioni. Ciò include ChatGPT, un LLM che ha avuto un profondo impatto da quando è stato introdotto meno di due anni fa. Questa applicazione ha suscitato notevoli dibattiti (e controversie) sui potenziali usi e implicazioni dell'intelligenza artificiale.

Anche l’astronomia ne ha tratto enormi benefici, dove l’apprendimento automatico viene utilizzato per ordinare enormi volumi di dati alla ricerca di segni di transiti planetari, correggere le interferenze atmosferiche e trovare schemi nel rumore. Secondo un team internazionale di astrofisici, questo potrebbe essere solo l'inizio di ciò che l'intelligenza artificiale potrebbe fare per l'astronomia.

In uno studio recente, il team ha messo a punto un modello GPT (Generative Pre-trained Transformer) utilizzando osservazioni di oggetti astronomici. Nel processo, hanno dimostrato con successo che i modelli GPT possono aiutare efficacemente la ricerca scientifica.

Lo studio è stato condotto dall'International Center for Relativistic Astrophysical Network (ICRANet), un consorzio internazionale formato da ricercatori del Centro Internazionale di Astrofisica Relativistica (ICRA), dell'Istituto Nazionale di Astrofisica (INAF), dell'Università di Scienza e Tecnologia di Cina, l'Istituto di fisica delle alte energie dell'Accademia cinese delle scienze (CAS-IHEP), l'Università di Padova, l'Università tecnologica di Isfahan e l'Università di Ferrera.

Il loro articolo, "Can AI Understand Our Universe? Test of Fine-Tuning GPT by Astrophysical Data", è stato recentemente pubblicato su arXiv server di prestampa.

Come accennato, gli astronomi fanno ampio affidamento sugli algoritmi di apprendimento automatico per ordinare i volumi di dati ottenuti dai moderni telescopi e strumenti. Questa pratica è iniziata circa dieci anni fa e da allora è cresciuta a passi da gigante fino al punto in cui l’intelligenza artificiale è stata integrata nell’intero processo di ricerca. Come ha detto a Universe Today via e-mail il presidente dell'ICRA e autore principale dello studio, Yu Wang:

"L'astronomia è sempre stata guidata dai dati e gli astronomi sono tra i primi scienziati ad adottare e impiegare l'apprendimento automatico. Ora, l'apprendimento automatico è stato integrato nell'intero processo di ricerca astronomica, dalla produzione e controllo di strumenti terrestri e spaziali telescopi (ad esempio, ottimizzazione delle prestazioni dei sistemi di ottica adattiva, miglioramento dell'avvio di azioni specifiche (trigger) dei satelliti in determinate condizioni, ecc.), all'analisi dei dati (ad esempio, riduzione del rumore, imputazione dei dati, classificazione, simulazione, ecc.) , e la creazione e la validazione di modelli teorici (ad esempio, test della gravità modificata, limitazione dell'equazione di stato delle stelle di neutroni, ecc.)."

L’analisi dei dati rimane la più comune tra queste applicazioni poiché è l’area più semplice in cui è possibile integrare l’apprendimento automatico. Tradizionalmente, decine di ricercatori e centinaia di scienziati cittadini analizzavano i volumi di dati prodotti da una campagna di osservazione.

Tuttavia, questo non è pratico in un’epoca in cui i moderni telescopi raccolgono terabyte di dati ogni giorno. Ciò include rilevamenti a tutto cielo come il Very Large Array Sky Survey (VLASS) e le numerose fasi condotte dalla Sloan Digital Sky Survey (SDSS).

Finora i LLM sono stati applicati solo sporadicamente alla ricerca astronomica, dato che si tratta di una creazione relativamente recente. Ma secondo sostenitori come Wang, ha avuto un enorme impatto sociale e ha un potenziale limite inferiore equivalente a una "rivoluzione industriale".

Per quanto riguarda il limite superiore, Wang prevede che potrebbe variare notevolmente e potrebbe forse portare all’”illuminazione o alla distruzione” dell’umanità. Tuttavia, a differenza della rivoluzione industriale, il ritmo del cambiamento e dell'integrazione è molto più rapido per l'intelligenza artificiale, sollevando interrogativi su fino a che punto arriverà la sua adozione.

Per determinarne il potenziale per il campo dell'astronomia, ha affermato Wang, lui e i suoi colleghi hanno adottato un modello GPT pre-addestrato e lo hanno perfezionato per identificare i fenomeni astronomici:

"OpenAI fornisce modelli pre-addestrati, e ciò che abbiamo fatto è una messa a punto, che comporta la modifica di alcuni parametri basati sul modello originale, consentendogli di riconoscere i dati astronomici e calcolare i risultati da questi dati. È un po' come OpenAI che ci fornisce un studente universitario, che abbiamo poi formato per diventare uno studente laureato in astronomia.

"Abbiamo fornito dati limitati con una risoluzione modesta e addestrato il GPT meno volte rispetto ai modelli normali. Tuttavia, i risultati sono impressionanti, raggiungendo una precisione di circa il 90%. Questo elevato livello di precisione è attribuibile alle solide basi del GPT, che comprende già l'elaborazione dei dati e possiede capacità di inferenza logica, nonché capacità di comunicazione."

Per mettere a punto il modello, il team ha introdotto osservazioni di vari fenomeni astronomici derivati ​​da vari cataloghi. Ciò includeva 2.000 campioni di quasar, galassie, stelle e quasar a linea di assorbimento larga (BAL) dell'SDSS (500 ciascuno). Hanno inoltre integrato osservazioni di lampi di raggi gamma corti e lunghi (GRB), galassie, stelle e simulazioni di buchi neri. Una volta testato, il loro modello ha classificato con successo diversi fenomeni, ha distinto tra tipi di quasar, ha dedotto la loro distanza in base allo spostamento verso il rosso e ha misurato la rotazione e l'inclinazione dei buchi neri.

"Questo lavoro dimostra almeno che gli LLM sono in grado di elaborare dati astronomici", ha affermato Wang. "Inoltre, la capacità di un modello di gestire vari tipi di dati astronomici è una capacità non posseduta da altri modelli specializzati. Ci auguriamo che gli LLM possano integrare vari tipi di dati e quindi identificare principi comuni sottostanti per aiutarci a comprendere il mondo. Naturalmente , si tratta di un compito impegnativo e non che gli astronomi possano portare a termine da soli."

Naturalmente, il team riconosce che il set di dati con cui hanno sperimentato era molto piccolo rispetto ai dati prodotti dai moderni osservatori. Ciò è particolarmente vero per le strutture di prossima generazione come l'Osservatorio Vera C. Rubin, che ha recentemente ricevuto la sua fotocamera LSST, la più grande fotocamera digitale al mondo!

Una volta che Rubin sarà operativo, condurrà il Legacy Survey of Space and Time (LSST), della durata di 10 anni, che dovrebbe produrre 15 terabyte di dati a notte! Soddisfare le esigenze delle future campagne, afferma Wang, richiederà miglioramenti e collaborazione tra osservatori e aziende professionali di intelligenza artificiale.

Tuttavia, è scontato che nel prossimo futuro ci saranno più applicazioni LLM per l'astronomia. Non solo si tratta di uno sviluppo probabile, ma necessario considerando l’enorme volume di dati che gli studi astronomici generano oggi. E poiché è probabile che ciò aumenti in modo esponenziale nel prossimo futuro, l'intelligenza artificiale diventerà probabilmente indispensabile nel campo di studio.