AI cách mạng hóa việc phân loại vũ trụ: Mạng nơ-ron lập bản đồ 27 triệu thiên thể

AI mở ra kỷ nguyên mới cho việc lập bản đồ vũ trụ

Suốt nhiều thế kỷ, các nhà thiên văn học đã ngước nhìn bầu trời đêm, tìm cách giải mã những bí ẩn của các ngôi sao, thiên hà và mạng lưới vũ trụ bao la liên kết chúng. Ngày nay, quy mô khổng lồ của vũ trụ đặt ra một thách thức mới: làm thế nào phân loại và tìm hiểu hàng tỷ thiên thể khi các phương pháp truyền thống khó lòng theo kịp? Trong một bước đột phá lớn, nhóm nhà khoa học thuộc Đài Thiên văn Vân Nam của Trung Quốc đã phát triển một mô hình trí tuệ nhân tạo (AI), phân loại hơn 27 triệu thiên thể — gồm sao, thiên hà và quasar — trên một vùng trời rộng lớn. Thành tựu này đánh dấu bước ngoặt trong ngành thiên văn học, hứa hẹn thay đổi cách chúng ta khám phá và tìm hiểu vũ trụ.

Vì sao phân loại vũ trụ lại khó đến vậy?

Thiên văn học hiện đại đang chứng kiến sự bùng nổ dữ liệu. Các kính thiên văn và chương trình khảo sát bầu trời tiên tiến như Khảo sát Bầu trời Kỹ thuật số Sloan (SDSS), Khảo sát Kilo-Degree (KiDS) và sứ mệnh Euclid của Cơ quan Vũ trụ châu Âu đang ghi lại hình ảnh và số liệu đo đạc của hàng tỷ thiên thể. Mỗi cuộc khảo sát mới bổ sung hàng terabyte dữ liệu, hé lộ các thiên hà cách chúng ta hàng tỷ năm ánh sáng, siêu tân tinh và cấu trúc phức tạp của mạng lưới vũ trụ.

Trước đây, các nhà thiên văn học dựa vào quang phổ học — phân tích ánh sáng từ một thiên thể để xác định thành phần, khoảng cách và loại của nó. Quang phổ học có độ chính xác cao nhưng chậm và đòi hỏi nhiều nguồn lực. Với lượng dữ liệu hiện có, con người đơn giản là không thể xử lý kịp bằng các phương pháp thủ công, thậm chí cả bán tự động. Vì vậy, các nhà thiên văn ngày càng sử dụng khảo sát trắc quang, ghi lại hình ảnh ở các màu sắc (bước sóng) khác nhau nhưng không cung cấp thông tin chi tiết như quang phổ. Dù nhanh hơn, dữ liệu trắc quang có thể khó phân định: các thiên hà xa, ngôi sao và quasar thường chỉ hiện lên như những chấm sáng nhỏ li ti, khiến việc phân biệt chỉ dựa vào hình dạng trở nên khó khăn.

Giới hạn của con người và các phương pháp phân loại máy truyền thống

Các nỗ lực tự động hóa việc phân loại bao gồm những thuật toán học máy cổ điển như cây quyết định và rừng ngẫu nhiên, gần đây hơn là mạng nơ-ron học sâu. Những phương pháp này đạt độ chính xác ấn tượng, nhưng vẫn còn nhiều thách thức, nhất là với các thiên thể mờ hoặc ở xa, hay tại những khu vực bị bụi vũ trụ che khuất. Một nghiên cứu của Đại học La Serena ở Chile cho thấy các mô hình học máy có thể gặp khó khăn tại những khu vực như “vùng né tránh”, nơi bụi cản phần lớn ánh sáng nhìn thấy, dẫn đến tỷ lệ sai sót cao nếu mô hình không được huấn luyện bằng dữ liệu đa bước sóng và đa dạng.

Mô hình AI của Trung Quốc hoạt động như thế nào?

Mô hình AI mới do nhóm Đài Thiên văn Vân Nam phát triển là một bước tiến đáng kể. Khác với các phương pháp trước đây chỉ dựa vào hình thái hoặc màu sắc (phân bố năng lượng phổ, hay SED) của thiên thể, mạng nơ-ron này xử lý đồng thời cả hai loại thông tin. Thiết kế hai đầu vào giúp AI nhận ra những khác biệt tinh tế giữa sao, thiên hà và quasar mà nếu không có thể bị bỏ sót.

Mô hình được huấn luyện bằng các nguồn đã được xác nhận qua quang phổ trong đợt công bố dữ liệu lần thứ 17 của SDSS — chuẩn mực hàng đầu trong phân loại thiên văn. Sau đó, mô hình được thử nghiệm trên hình ảnh từ khảo sát KiDS, tập trung vào các thiên thể có độ sáng lớn hơn cấp sao biểu kiến r = 23, trên diện tích bầu trời khoảng 1.350 độ vuông. Kết quả: hơn 27 triệu thiên thể được phân loại với tốc độ và độ chính xác đáng kinh ngạc.

Kiểm chứng và độ chính xác trên nhiều cuộc khảo sát

Để bảo đảm độ tin cậy, nhóm nghiên cứu kiểm chứng mô hình bằng dữ liệu từ các cuộc khảo sát lớn khác. Khi áp dụng cho 3,4 triệu nguồn từ sứ mệnh Gaia — chủ yếu là các ngôi sao có chuyển động đã được xác định rõ — AI nhận diện chính xác 99,7% là sao. Khảo sát Galaxy And Mass Assembly (GAMA) cũng đạt tỷ lệ thành công tương tự: 99,7% thiên hà và quasar được phân loại chính xác. Trong một số trường hợp, AI thậm chí sửa được những nhầm lẫn trước đây, phân loại lại các thiên thể từng bị ghi nhãn sai trong những danh mục cũ.

Độ chính xác cao này cho thấy mô hình có tính vững chắc và tiềm năng cải thiện các cơ sở dữ liệu thiên văn hiện có, trở thành công cụ hữu ích cho cộng đồng thiên văn học.

AI và cuộc đua toàn cầu lập bản đồ vũ trụ

Bước đột phá của Trung Quốc là một phần trong xu hướng rộng hơn: các nhà thiên văn trên khắp thế giới đang chạy đua phát triển công cụ AI đủ khả năng xử lý lượng dữ liệu khổng lồ từ các kính thiên văn thế hệ mới. Chẳng hạn, sứ mệnh Euclid của Cơ quan Vũ trụ châu Âu đã lập bản đồ 26 triệu thiên hà chỉ trong một phần nhỏ diện tích khảo sát dự kiến. Trong sáu năm tới, Euclid sẽ chụp ảnh hơn 1,5 tỷ thiên hà, gửi về khoảng 100 gigabyte dữ liệu mỗi ngày. Tương tự, Đài thiên văn Vera Rubin sắp đi vào hoạt động dự kiến phát hiện hàng triệu siêu tân tinh mới và các hiện tượng nhất thời khác; những công cụ AI như Bright Transient Survey Bot (BTSbot) đã tự động hóa việc phát hiện và phân loại siêu tân tinh trong khảo sát của Cơ sở Zwicky Transient.

Khoa học công dân và AI: Sự kết hợp mạnh mẽ

Trước thách thức có quy mô lớn như vậy, các nhà thiên văn cũng kêu gọi công chúng chung tay. Những dự án như Galaxy Zoo và chương trình mới “Galaxy Zoo: Euclid” mời tình nguyện viên trên khắp thế giới hỗ trợ phân loại hình dạng thiên hà. Những nhà khoa học công dân này phối hợp với các thuật toán AI như ZooBot: AI xử lý những trường hợp đơn giản hơn và chuyển các hình ảnh phức tạp cho con người. Sự hợp tác này không chỉ đẩy nhanh việc phân loại mà còn giúp huấn luyện và cải thiện AI, tạo nên vòng tuần hoàn thúc đẩy khám phá.

Kính viễn vọng Không gian James Webb của NASA và sứ mệnh Euclid đều dựa vào cách tiếp cận kết hợp này, với hàng nghìn tình nguyện viên và AI tiên tiến cùng xây dựng những danh mục hình thái thiên hà lớn nhất và chi tiết nhất từ trước đến nay.

AI đang thay đổi ngành thiên văn học ra sao?

Tác động của AI đối với thiên văn học không chỉ nằm ở tốc độ. Nhờ phân loại nhanh chóng và chính xác số lượng lớn thiên thể, AI giúp các nhà khoa học:

• Phát hiện những thiên thể hiếm hoặc khác thường, chẳng hạn thiên hà vành khuyên hay quasar ở xa, vốn có thể bị bỏ qua.
• Truy dấu cấu trúc và quá trình tiến hóa của các thiên hà qua thời gian vũ trụ, qua đó làm sáng tỏ vũ trụ đã thay đổi như thế nào trong hàng tỷ năm.
• Lập bản đồ phân bố vật chất tối và năng lượng tối bằng cách phân tích hình dạng, vị trí các thiên hà và tác động của thấu kính hấp dẫn.
• Nâng cao độ chính xác và tính đầy đủ của các danh mục thiên văn, sửa lỗi cũ và bổ sung những phần còn thiếu.

Chẳng hạn, việc phát hiện gần đây 30.000 thiên hà vành khuyên hiếm nhờ sự kết hợp giữa AI và các nhà khoa học công dân trong dự án GALAXY CRUISE đã tạo ra một mẫu đủ lớn để phân tích khoa học có ý nghĩa, hé lộ những hiểu biết mới về cách các cấu trúc khác thường này hình thành — thường là qua va chạm giữa các thiên hà xoắn ốc.

Đổi mới kỹ thuật: Phân tích đa phương thức và đến từng điểm ảnh

Những tiến bộ gần đây của AI trong thiên văn học bao gồm các kiến trúc học sâu đa phương thức, kết hợp dữ liệu hình ảnh với siêu dữ liệu dạng bảng (như độ sáng, màu sắc và độ dịch đỏ) để tăng độ chính xác. Các nghiên cứu cho thấy những mô hình này vượt trội hơn các mô hình chỉ sử dụng một loại dữ liệu, đạt độ chính xác và độ bao phủ cao hơn với ít vòng huấn luyện hơn. Một số công cụ như Morpheus AI do Đại học California, Santa Cruz phát triển còn phân tích hình ảnh đến từng điểm ảnh, cho phép phân loại hình thái chi tiết và nhận diện các cấu trúc phức tạp bên trong thiên hà.

Những đổi mới này rất cần thiết khi các cuộc khảo sát ngày càng tham vọng. Chẳng hạn, sứ mệnh Euclid đặt mục tiêu lập bản đồ phân bố vật chất tối trong không gian ba chiều bằng cách đo những biến dạng tinh tế trong hình dạng thiên hà do thấu kính hấp dẫn gây ra — nhiệm vụ bất khả thi nếu thiếu các kỹ thuật AI và học máy tiên tiến.

Giới hạn và thách thức của AI trong thiên văn học

Dù đã có những tiến bộ này, AI không phải là giải pháp cho mọi vấn đề. Độ chính xác của bất kỳ mô hình nào phụ thuộc rất nhiều vào chất lượng và tính đa dạng của dữ liệu huấn luyện. Mô hình được huấn luyện trên dữ liệu của một cuộc khảo sát có thể hoạt động kém hơn khi xử lý dữ liệu từ thiết bị hoặc khu vực bầu trời khác, nhất là ở những môi trường khó khăn như vùng né tránh. Các nghiên cứu gần đây chỉ ra rằng mô hình học máy có thể gặp khó khăn khi phân loại các thiên thể ở khu vực bị bụi che khuất hoặc có đặc tính bất thường, đôi khi không phát hiện được hoặc nhận diện chính xác một tỷ lệ đáng kể các thiên thể.

Hơn nữa, mô hình AI có thể kế thừa những thiên lệch trong dữ liệu huấn luyện, dẫn đến bỏ sót các hiện tượng hiếm gặp hoặc chưa từng biết đến. Vì vậy, chuyên môn của con người và khoa học công dân vẫn giữ vai trò thiết yếu, vừa để kiểm chứng kết quả AI, vừa để phát hiện những điều thực sự mới lạ.

Hướng đi tương lai: AI thông minh và thích ứng hơn

Nhóm Đài Thiên văn Vân Nam và các nhà nghiên cứu khác hiện đang cải thiện khả năng xử lý những thiên thể mờ hơn nữa và thích ứng với các cuộc khảo sát mới có đặc điểm khác biệt. Các hướng nghiên cứu này bao gồm huấn luyện bằng bộ dữ liệu đa dạng hơn, tích hợp dữ liệu đa bước sóng và phát triển thuật toán có thể đánh dấu những trường hợp chưa chắc chắn hoặc bất thường để con người xem xét.

Khi AI tiếp tục phát triển, sự hợp tác giữa công nghệ này với các nhà thiên văn — cả chuyên nghiệp lẫn nghiệp dư — sẽ là chìa khóa mở ra những bí mật của vũ trụ.

Ý nghĩa rộng lớn hơn: Kỷ nguyên vàng mới của khám phá

Sự phát triển của AI trong thiên văn học không chỉ là một thành tựu kỹ thuật mà còn thể hiện sự thay đổi sâu sắc trong cách tiến hành khoa học. Bằng cách tự động hóa công việc phân loại tẻ nhạt, AI giúp các nhà thiên văn tập trung vào việc diễn giải, xây dựng lý thuyết và tìm kiếm những điều chưa biết. AI cũng giúp phổ cập hoạt động khám phá, cho phép bất kỳ ai có kết nối internet đều có thể góp sức lập bản đồ vũ trụ.

Với các sứ mệnh như Euclid, James Webb và Đài thiên văn Vera Rubin sắp cung cấp lượng dữ liệu chưa từng có, sự kết hợp giữa AI, học máy và khoa học công dân đang mở ra một kỷ nguyên vàng mới cho khám phá thiên văn. Vũ trụ bao la và đầy bí ẩn, nhưng với những công cụ mới này, chúng ta có khả năng khám phá những miền sâu thẳm của nó hơn bao giờ hết.

Tóm tắt

• Một mô hình AI của Trung Quốc đã phân loại hơn 27 triệu ngôi sao, thiên hà và quasar, đánh dấu bước tiến lớn trong phân tích dữ liệu thiên văn.
• Mô hình sử dụng cả đặc điểm hình thái lẫn phân bố năng lượng phổ để đạt độ chính xác cao, và đã được kiểm chứng trên nhiều cuộc khảo sát.
• AI đóng vai trò thiết yếu trong xử lý lượng dữ liệu khổng lồ từ các cuộc khảo sát bầu trời hiện đại như Euclid và Đài thiên văn Vera Rubin.
• Các dự án khoa học công dân như Galaxy Zoo phối hợp với AI để phân loại những thiên thể phức tạp hoặc khó xác định, qua đó nâng cao cả tốc độ lẫn độ chính xác.
• AI giúp phát hiện các thiên thể hiếm và sửa lỗi trong danh mục trước đây, nhưng vẫn gặp thách thức ở những khu vực khó khảo sát và với các hiện tượng bất thường.
• Tương lai của việc phân loại thiên thể phụ thuộc vào các mô hình AI thông minh, linh hoạt hơn và sự hợp tác liên tục giữa con người với máy móc.