Skip to main content
NASA, ESA, AND D. COE, J. ANDERSON, AND R. VAN DER MAREL (STSCI)

Algoritmi su misura aiuteranno a filtrare l’imminente ondata di osservazioni astronomiche, aiutando gli scienziati a fare nuove scoperte sull’universo.

Nei deserti dell’Australia e del Sudafrica, gli astronomi stanno piantando foreste di rivelatori metallici che insieme setacceranno il cosmo alla ricerca di segnali radio. Quando entrerà in funzione, tra circa cinque anni, lo Square Kilometer Array Observatory cercherà nuove informazioni sulle prime stelle dell’universo e sulle diverse fasi dell’evoluzione galattica.

Ma dopo aver sincronizzato centinaia di migliaia di parabole e antenne, gli astronomi si troveranno rapidamente di fronte a una nuova sfida: setacciare circa 300 petabyte di dati cosmologici all’anno – abbastanza da riempire un milione di computer portatili.

È un problema che si ripeterà in altri luoghi nel prossimo decennio. Man mano che gli astronomi costruiranno telecamere giganti per fotografare l’intero cielo e lanceranno telescopi a infrarossi a caccia di pianeti lontani, raccoglieranno dati su scale mai viste prima.

“Non siamo davvero pronti per questo, e dovremmo tutti dare di matto”, afferma Cecilia Garraffo, astrofisica computazionale presso l’Harvard-Smithsonian Center for Astrophysics. “Quando si hanno troppi dati e non si ha la tecnologia per elaborarli, è come non avere dati”.

Per prepararsi al diluvio di informazioni, gli astronomi si stanno rivolgendo all’intelligenza artificiale, ottimizzando gli algoritmi per individuare schemi in insiemi di dati ampi e notoriamente difficili da analizzare. Alcuni stanno ora lavorando per creare istituti dedicati a coniugare i campi dell’informatica e dell’astronomia, e sono alle prese con i termini della nuova partnership.

Nel novembre 2022, Garraffo ha istituito AstroAI come programma pilota presso il Centro di astrofisica. Da allora, ha messo insieme un team interdisciplinare di oltre 50 membri che ha pianificato decine di progetti incentrati su domande profonde come l’origine dell’universo e se siamo soli al suo interno. Negli ultimi anni, diverse coalizioni simili hanno seguito l’esempio di Garraffo e sono ora in lizza per ottenere i finanziamenti necessari per diventare grandi istituzioni.

Garraffo ha riconosciuto l’utilità potenziale dei modelli di intelligenza artificiale mentre passava da una carriera all’altra in astronomia, fisica e informatica. Lungo la strada, ha anche scoperto un importante ostacolo per le collaborazioni precedenti: la barriera linguistica. Spesso astronomi e informatici hanno difficoltà a unire le forze perché usano parole diverse per descrivere concetti simili. La Garraffo non è estranea ai problemi di traduzione, avendo lottato per orientarsi in una scuola solo inglese quando era piccola in Argentina. Facendo tesoro di quell’esperienza, ha lavorato per mettere sotto lo stesso tetto persone di entrambe le comunità, in modo che possano identificare obiettivi comuni e trovare un modo per comunicare.

Gli astronomi utilizzano già da anni modelli di intelligenza artificiale, soprattutto per classificare oggetti noti come le supernove nei dati dei telescopi. Questo tipo di riconoscimento delle immagini diventerà sempre più vitale quando l’Osservatorio Vera C. Rubin aprirà i battenti il prossimo anno e il numero di rilevamenti annuali di supernove passerà rapidamente da centinaia a milioni. Ma la nuova ondata di applicazioni dell’intelligenza artificiale va ben oltre i giochi di abbinamento. Gli algoritmi sono stati recentemente ottimizzati per eseguire il “raggruppamento non supervisionato”, in cui individuano modelli nei dati senza che venga detto loro cosa cercare nello specifico. Questo apre le porte a modelli che indicano agli astronomi effetti e relazioni di cui non sono al momento a conoscenza. Per la prima volta, questi strumenti computazionali offrono agli astronomi la facoltà di “cercare sistematicamente l’ignoto”, afferma Garraffo. A gennaio, i ricercatori di AstroAI hanno utilizzato questo metodo per catalogare oltre 14.000 rilevamenti di sorgenti di raggi X, altrimenti difficili da classificare.

Un altro modo in cui l’intelligenza artificiale si sta rivelando fruttuosa è quello di individuare la composizione chimica dei cieli dei pianeti alieni. Gli astronomi usano i telescopi per analizzare la luce stellare che passa attraverso l’atmosfera dei pianeti e viene assorbita a determinate lunghezze d’onda da diverse molecole. Per dare un senso allo spettro luminoso residuo, gli astronomi lo confrontano con spettri falsi generati sulla base di una manciata di molecole che sono interessati a trovare, come l’acqua e l’anidride carbonica. I ricercatori di esopianeti sognano di espandere la loro ricerca a centinaia o migliaia di composti che potrebbero indicare la presenza di vita sul pianeta sottostante, ma attualmente ci vogliono alcune settimane per cercare solo quattro o cinque composti. Questa strozzatura diventerà sempre più problematica man mano che il numero di rilevamenti di esopianeti passerà da decine a migliaia, come si prevede avverrà grazie al telescopio spaziale James Webb, appena installato, e al telescopio spaziale Ariel dell’Agenzia spaziale europea, il cui lancio è previsto per il 2029.

Per elaborare tutte queste osservazioni “ci vorrà un’eternità”, dice Mercedes López-Morales, astronoma del Center for Astrophysics che studia le atmosfere degli esopianeti. “Cose come AstroAI si presentano al momento giusto, proprio prima che questi rubinetti di dati arrivino verso di noi”.

L’anno scorso López-Morales ha collaborato con Mayeul Aubin, allora stagista presso AstroAI, per costruire un modello di apprendimento automatico in grado di estrarre in modo più efficiente la composizione molecolare dai dati spettrali. In due mesi, il loro team ha costruito un modello in grado di analizzare migliaia di spettri di esopianeti alla ricerca delle firme di cinque diverse molecole in 31 secondi, un’impresa che è valsa loro il primo premio dell’Ariel Data Challenge dell’Agenzia spaziale europea. I ricercatori sperano di addestrare un modello per cercare centinaia di molecole aggiuntive, aumentando le probabilità di trovare segni di vita su pianeti lontani.

Le collaborazioni AstroAI hanno anche dato vita a simulazioni realistiche di buchi neri e a mappe della distribuzione della materia oscura nell’universo. Garraffo mira a costruire un modello linguistico di grandi dimensioni simile a ChatGPT, addestrato sui dati astronomici e in grado di rispondere a domande sulle osservazioni e di analizzare la letteratura per trovare prove a sostegno.

“C’è un nuovo enorme terreno di gioco da esplorare”, afferma Daniela Huppenkothen, astronoma e data scientist presso l’Istituto olandese per la ricerca spaziale. “Possiamo usare [l’IA] per affrontare problemi che prima non potevamo affrontare perché troppo costosi dal punto di vista computazionale”.

Tuttavia, incorporare l’intelligenza artificiale nel flusso di lavoro dell’astronomia comporta una serie di compromessi, come ha sottolineato Huppenkothen in un recente preprint. I modelli di intelligenza artificiale, pur essendo efficienti, spesso operano in modi che gli scienziati non comprendono appieno. Questa opacità li rende complicati da debuggare e difficili da identificare per capire come possano introdurre pregiudizi. Come tutte le forme di IA generativa, questi modelli sono inclini ad allucinare relazioni che non esistono e riportano le loro conclusioni con un’aria di fiducia infondata.

“È importante esaminare criticamente cosa fanno questi modelli e dove falliscono”, afferma Huppenkothen. “Altrimenti, diremo qualcosa sul funzionamento dell’universo che in realtà non è vero”.

I ricercatori stanno lavorando per incorporare barre di errore nelle risposte degli algoritmi per tenere conto delle nuove incertezze. Alcuni suggeriscono che gli strumenti potrebbero giustificare un ulteriore livello di controllo rispetto agli attuali processi di pubblicazione e revisione paritaria. “Come esseri umani, siamo naturalmente portati a credere alle macchine”, afferma Viviana Acquaviva, astrofisica e scienziata dei dati presso la City University di New York, che ha recentemente pubblicato un libro di testo sulle applicazioni dell’apprendimento automatico in astronomia. “Dobbiamo essere molto chiari nel presentare risultati che spesso non sono chiaramente spiegabili e allo stesso tempo essere molto onesti nel rappresentare le capacità”.

I ricercatori sono consapevoli delle ramificazioni etiche dell’introduzione dell’IA, anche in un contesto apparentemente innocuo come l’astronomia. Per esempio, questi nuovi strumenti di IA possono perpetuare le disuguaglianze esistenti nel settore se solo istituzioni selezionate hanno accesso alle risorse computazionali per farli funzionare. E se gli astronomi riciclano modelli di IA esistenti che le aziende hanno addestrato per altri scopi, “ereditano anche molti dei problemi etici e ambientali già insiti in quei modelli”, dice Huppenkothen.

Garraffo sta lavorando per superare questi problemi. I modelli di AstroAI sono tutti open source e liberamente disponibili, e il gruppo si offre di aiutare ad adattarli a diverse applicazioni astronomiche. Ha inoltre stretto una collaborazione con il Berkman Klein Center for Internet & Society di Harvard per formare formalmente il team sull’etica dell’IA e imparare le migliori pratiche per evitare pregiudizi.

Gli scienziati stanno ancora analizzando tutti i modi in cui l’arrivo dell’IA potrebbe influenzare il campo dell’astronomia. Se i modelli di IA riusciranno a proporre idee fondamentalmente nuove e a indirizzare gli scienziati verso nuovi percorsi di studio, cambieranno per sempre il ruolo dell’astronomo nella decifrazione dell’universo. Ma anche se dovesse rimanere solo uno strumento di ottimizzazione, l’IA è destinata a diventare un pilastro dell’arsenale dell’indagine cosmica.

“Cambierà il gioco”, dice Garraffo. “Non possiamo più farlo da soli”.

Zack Savitsky è un giornalista scientifico freelance che si occupa di fisica e astronomia.