گشودن افق‌های تازه در استخراج اطلاعات نقشه‌های سه‌بعدی
به گزارش روابط‌عمومی بنیاد ملی علم ایران (INSF)، محمدحسین جلالی کنفی در دوره پسادکتری خود با راهنمایی سید محمدصادق موحد در دانشگاه شهید بهشتی، پژوهشی با عنوان «کمی‌سازی محتوای ریخت‌شناسی (وزندار) ساختارهای بزرگ‌مقیاس با استفاده از استنتاج مبتنی بر شبیه‌سازی» انجام داده است.
جلالی کنفی با اشاره به پیشرفت‌های چشمگیر علم کیهان‌شناسی در دهه‌های اخیر گفت: پرسش‌هایی درباره منشأ جهان، اجزای تشکیل‌دهنده آن، سن، اندازه، شکل و سرنوشت کیهان که روزگاری پاسخ روشنی برای آن‌ها وجود نداشت، امروز با اتکا به پیشرفت‌های نظری، توسعه فناوری‌های رصدی و توان پردازشی رایانه‌ها، به موضوع پژوهش‌های دقیق علمی تبدیل شده‌اند. یکی از مهم‌ترین این پرسش‌ها، شناخت شکل و ساختار کیهان و چگونگی شکل‌گیری ساختارهای بزرگ‌مقیاس آن است. اگر بتوانیم از بیرون به جهان بنگریم، توزیع کهکشان‌ها را به‌صورت شبکه‌ای عظیم و به‌هم‌پیوسته مشاهده خواهیم کرد که «تار کیهانی» نام دارد. مطالعه این شبکه می‌تواند 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 روش‌های متداول، که عمدتاً بر فاصله میان کهکشان‌ها و آمار توزیع آن‌ها تکیه دارند، با محدودیت‌هایی همراه است؛ زیرا بخش مهمی از اطلاعات مربوط به شکل، هندسه و توپولوژی این ساختارها را نادیده می‌گیرند. از این‌رو، در این پژوهش تلاش کردیم با بهره‌گیری از ابزارهای نوین، به‌ویژه ریخت‌شناسی وزندار و روش‌های یادگیری ماشین، این اطلاعات پنهان را استخراج و در تحلیل‌های کیهان‌شناختی به کار گیریم.
این پژوهشگر ادامه داد: در این مطالعه، ویژگی‌های هندسی و توپولوژیکی ساختارهای بزرگ‌مقیاس با استفاده از تابعی‌های مینکوفسکی مورد بررسی قرار گرفت. سپس با معرفی و به‌کارگیری ریخت‌شناسی وزندار، علاوه‌بر شکل کلی ساختارها، اطلاعات مربوط به جهت‌گیری‌ها و الگوهای پیچیده و غیرخطی نیز وارد تحلیل شد. این رویکرد امکان بهره‌برداری از بخشی از اطلاعات کیهان را فراهم می‌کند که در بسیاری از روش‌های متداول مورد استفاده قرار نمی‌گیرد.
وی با اشاره به نقش هوش مصنوعی در این پژوهش اظهار کرد: پیچیدگی ساختارهای کیهانی به اندازه‌ای است که توصیف کامل آن‌ها با روابط تحلیلی ساده امکان‌پذیر نیست. به همین دلیل، در این پژوهش از یکی از روش‌های نوین یادگیری ماشین با عنوان «استنتاج مبتنی بر شبیه‌سازی» (Simulation-Based Inference) استفاده شد. در این روش، ابتدا هزاران شبیه‌سازی عددی از جهان با استفاده از ابررایانه‌ها تولید شد و سپس شبکه‌های عصبی مصنوعی آموزش دیدند تا با استفاده از ویژگی‌های ریخت‌شناختی این ساختارها، ارتباط آن‌ها با پارامترهای بنیادی کیهان را بیاموزند. این رویکرد امکان شناسایی الگوهایی را فراهم کرد که استخراج آن‌ها با روش‌های تحلیلی مرسوم بسیار دشوار یا حتی غیرممکن است.
جلالی کنفی با اشاره به نتایج این پژوهش گفت: یافته‌های این مطالعه نشان داد ترکیب ریخت‌شناسی وزندار با استنتاج مبتنی بر شبیه‌سازی، دقت برآورد پارامترهای بنیادی کیهان، از جمله چگالی ماده و دامنه نوسانات ماده را به‌طور قابل توجهی افزایش می‌دهد. همچنین در بررسی خوشه‌های کهکشانی پرجرم، دقت برآورد این پارامترها نسبت به روش‌های متداول بین ۴۰ تا ۴۵ درصد بهبود یافت.
وی در پایان خاطرنشان کرد: نتایج این پژوهش نشان می‌دهد اطلاعات نهفته در شکل، هندسه، توپولوژی و جهت‌گیری ساختارهای بزرگ‌مقیاس کیهانی، منبعی ارزشمند برای شناخت دقیق‌تر روند شکل‌گیری و تکامل جهان از مهبانگ تاکنون است. این پژوهش همچنین نشان می‌دهد که تلفیق روش‌های نوین ریخت‌شناسی با الگوریتم‌های پیشرفته یادگیری ماشین می‌تواند افق‌های تازه‌ای برای استخراج اطلاعات از نقشه سه‌بعدی جهان و انجام آزمون‌های دقیق‌تر مدل‌های کیهان‌شناسی فراهم کند.
