Šiuolaikinės astronominės apžvalgos generuoja milžiniškus duomenų srautus. Vienas įdomiausių ten pasitaikančių dalykų – greitai kintantys reiškiniai, tokie kaip supernovų sprogimai. Realius signalus atskirti nuo vaizdo artefaktų ar kitokio triukšmo – nemenkas iššūkis. Žmonės, ypač apmokyti, tą gali padaryti, bet neaprėps duomenų kiekio. Konvoliuciniai neuroniniai tinklai – daug efektyvesnis sprendimas, tačiau jų veikimas yra neaiškus, ir dažniausiai neįmanoma atsakyti, kuo remiantis priskiriama viena ar kita klasifikacija.
Asociatyvi „Pixabay“ nuotr.
Dabar mokslininkai parodė, kad didieji kalbos modeliai (LLM), visuomenei geriau žinomi kaip dirbtinio intelekto pokalbių programėlės, gali greitai kintančius astrofizikinius reiškinius klasifikuoti taip pat efektyviai, kaip konvoliuciniai tinklai, ir kartu pateikti žmonėms suprantamus aprašymus apie kiekvieną kandidatą. Apmokytas su vos 15 pavyzdžių ir gavęs glaustas instrukcijas, „Google“ modelis „Gemini“ net 93 % vidutiniu tikslumu sėkmingai klasifikavo kitus įvykius trijuose duomenų rinkiniuose (Pan-STARRS, MeerLICHT ir ATLAS), kurie skiriasi tiek erdvine skyra, tiek tipinio įvykio dydžiu nuotraukoje. Be to, pateikus pirmojo modelio atsakymus kitame „Gemini“ pokalbyje, antrasis modelis sėkmingai įvertindavo pirmojo atsakymus ir padėdavo klasifikuoti probleminius atvejus.
Tokia sistema leidžia vartotojams apibrėžti norimą klasifikacijos elgseną per natūralią kalbą ir pavyzdžius, išvengiant tradicinių mokymo konvejerių. Be to, generuodami tekstinius stebimų savybių aprašymus, LLM suteikia galimybę vartotojams nagrinėti klasifikacijų rezultatus kaip anotuotą katalogą, o ne dešifruojant abstrakčias parametrų erdves. Tai leidžia astronomams greitai suprasti, kodėl sistema priėmė tam tikrą sprendimą, ir prireikus koreguoti. Naujos kartos teleskopai ir apžvalgos dar labiau didina prieinamų duomenų kiekį, taigi LLM pagrįsta klasifikacija galėtų padėti užpildyti spragą tarp automatinio aptikimo ir žmogiško supratimo.
Paieška archyve
