«رفع گلوگاه‌های پردازش داده»؛ دستاورد جدید Claude Science در اخترفیزیک

تصور کنید سال‌ها داده‌های ارزشمند از اعماق فضا در حافظه‌های دیجیتال خاک می‌خورند، چون هیچ دانشمانی وقت و حوصله پاک‌سازی دستی آن‌ها را ندارد. این دقیقاً همان نقطه‌ای است که Claude Science وارد میدان شد تا با اتوماسیون، چشم انسان را به بخش‌های نادیده آسمان باز کند.

به نقل از گزارش منتشر شده در ۹ اکتبر ۲۰۲۶، این پروژه نشان داد که عامل‌های هوش مصنوعی (AI Agents) — شبیه دستیاران متخصصی که می‌توانند به‌طور مستقل ابزارها را مدیریت کنند — چگونه می‌توانند کارهای خسته‌کننده پاک‌سازی داده‌ها را که مانع از تکمیل نقشه‌های جهانی اخترفیزیک می‌شد، به‌طور کامل خودکار کنند. این رویکرد یادآور دستاوردهای اخیر در محیط‌های دانشگاهی است، جایی که سیستم‌های خودکار مانند BootLoops توانستند با حل مسائل پیچیده، منجر به تولید ده‌ها مقاله علمی شوند.

نور فرابنفش (UV) برای مشاهده غبارهایی که توسط نور ستاره‌ها روشن شده‌اند، مانند حلقه‌های حاصل از انفجار ستاره‌ای یا ابرهای اطراف ستاره‌های جوان، حیاتی است. از آنجا که لایه اوزون زمین این پرتوها را مسدود می‌کند، تمام اندازه‌گیری‌ها باید از فضا انجام شود. طبق مستندات، مأموریت GALEX ناسا پیش‌تر دو-سوم آسمان را پوشش داده بود، اما مناطق پرنورِ تشکیل ستاره را نادیده گرفته بود و شکاف‌های بزرگی در درک ما از کیهان باقی گذاشت.

همان‌طور که در تحلیل قبلی ما درباره‌ی رقابت بین Claude Opus 5.5 و GPT-6 Astra اشاره کردیم، تمرکز مدل‌های پیشرفته اکنون از طراحی تعاملی به سمت «کار علمی خودمختار» تغییر کرده است. برای ساخت این نقشه، Claude Science عامل‌هایی را سازماندهی کرد تا داده‌ها را از مأموریت‌های مختلف فضایی دانلود کنند، خوانش‌ها را کالیبره (Calibration) — یعنی تنظیم دقیق ابزار برای رسیدن به عدد واقعی — کرده و آن‌ها را در یک مجموعه داده واحد ادغام کنند. البته این حرکت به سمت خودکارسازی کامل، همواره بدون چالش نبوده و بحث‌هایی را درباره مرز بین فیلتر کردن داده‌ها و کشف علمی واقعی در آزمایشگاه‌های آنتروپیک برانگیخته است.

برای مدیریت داده‌های مفقود، تیم از تکنیکی به نام ترمیم تصویر (Inpainting) استفاده کرد. این روش به مدل اجازه می‌دهد تا با یادگیری از الگوهای موجود، حفره‌های نقشه را بازسازی کند. بر اساس گزارش وب‌سایت آنتروپیک، این پیش‌بینی‌های تولید شده توسط هوش مصنوعی، به‌طور میانگین تنها ۱۰٪ انحراف از اندازه‌گیری‌های واقعی داشتند.

این چرخش نشان می‌دهد که گلوگاه نجوم دیگر جمع‌آوری داده نیست، بلکه «کار طاقت‌فرسای» پردازش آن‌هاست. با حذف این اصطکاک، هوش مصنوعی به پژوهشگران اجازه می‌دهد پروژه‌هایی را اجرا کنند که پیش از این به‌دلیل حجم بالای نیروی انسانی مورد نیاز، غیرممکن تلقی می‌شدند.

اکنون دانشمندان می‌توانند از این نقشه به‌عنوان یک ابزار آموزشی بنیادین استفاده کنند. گام بعدی برای جامعه علمی، شناسایی سایر مجموعه‌داده‌های «متوقف شده» است که عامل‌های هوش مصنوعی می‌توانند آن‌ها را به مدل‌های علمی کاربردی تبدیل کنند.

گام بعدی شما

• بررسی مجموعه‌داده‌های قدیمی و ناقص در آرشیوهای ناسا برای شناسایی فرصت‌های ترمیم با AI.
• مطالعه مستندات Anthropic درباره نحوه سازماندهی عامل‌ها برای کارهای علمی پیچیده.
• دنبال کردن به‌روزرسانی‌های مربوط به ادغام داده‌های چند-سنسوری در نجوم.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.