ساخت نخستین نقشه کامل فرابنفش کیهان با هدایت Claude Scienceاخترشناسان در نیم‌قرن اخیر نقشه‌های سراسری آسمان را در تقریباً تمام طیف‌های الکترومغناطیسی از امواج رادیویی و فروسرخ تا پرتوهای ایکس و گاما تکمیل کرده بودند، اما طیف فرابنفش (UV) همواره حفره‌ای بزرگ و پر از نقاط کور داشت. نور فرابنفش به دلیل جذب شدید در لایه ازون جو زمین از سطح سیاره قابل رصد نیست و تلسکوپ‌های فضایی نظیر تلسکوپ GALEX ناسا نیز در طول ماموریت ده‌ساله خود به عمد از تصویربرداری ستاره‌های بسیار پرنور و صفحه متراکم کهکشان راه شیری صرف‌نظر کردند تا حسگرهای حساس آن دچار آسیب نشوند. در نتیجه این محدودیت فیزیکی، حدود یک‌سوم از کل آسمان شب در طول موج فرابنفش در هیچ پایگاه داده‌ای ثبت نشده باقی مانده بود؛ داده‌هایی که برای درک ساختار غبارهای کیهانی پیرامون ستاره‌های جوان و بازمانده‌های انفجارهای ابرنواختری اهمیتی بنیادی دارند.
برای حل این کمبود تاریخی، بریس منار (Brice Ménard)، اخترفیزیکدان دانشگاه جانز هاپکینز و پژوهشگر همکار آنتروپیک، با بهره‌گیری از پلتفرم Claude Science و سازمان‌دهی تیمی از ایجنت های هوش مصنوعی خودمختار، نخستین نقشه پیوسته فرابنفش آسمان را تولید کرد. این ایجنت‌ها ابتدا داده‌های ناهمگن بیش از ۳۸ هزار رصد ثبت‌شده از تلسکوپ‌های GALEX و Swift ناسا، FIMS کره جنوبی و ماهواره‌های پلانک و گایای اروپا را دانلود و یکدست کردند و هاله ناشی از تابش جو زمین را به طور خودکار از تصاویر زدودند. سپس با تحلیل دو‌سوم نقشه موجود، ارتباط میان درخشش فرابنفش و تابش‌های هم‌راستا در طیف‌های مرئی، فروسرخ و رادیویی را فرا گرفتند و با روش Inpainting در ML، یک‌سوم مفقود آسمان را بازسازی کردند. آزمون‌های اعتبارسنجی نشان داد خطای تخمین مدل زیر ۱۰ درصد و برای چشم انسان غیرقابل‌تشخیص است؛ در نهایت نیز شار فرابنفش بیش از ۱۰۰ میلیون ستاره منفرد از داده‌های ماهواره Gaia استخراج و به نقشه اضافه شد.
نکته مهم این پروژه، ماهیت کاری است که به سرانجام رسید؛ فرآیندی که در حالت سنتی به هفته‌ها یا ماه‌ها کالیبراسیون دستی، کدنویسی‌های طاقت‌فرسا و بررسی‌های مکرر در سطح پیکسل نیاز داشت و پژوهشگران به دلیل تمرکز بر اولویت‌های فوری پژوهشی همواره آن را به تعویق می‌انداختند، این‌بار تنها در چند روز و در پس‌زمینه انجام شد، در حالی که پژوهشگر به کارهای دیگر خود می‌پرداخت. این دستاورد نمونه‌ای عینی از کاربرد ایجنت های هوش مصنوعی در شتاب‌بخشی به پژوهش‌های پایه است؛ ابزاری که بار کارهای طولانی و انباشته‌شده علمی را بر دوش می‌کشد و منابع آموزشی و تجربی ارزشمندی را در دسترس جامعه آکادمیک قرار می‌دهد.
@ACCELERATIONERS
