Claude Science tworzy pierwszą pełną mapę nieba w ultrafiolecie

Agenci AI stworzeni przez Anthropic zmapowali całe niebo w świetle ultrafioletowym – to pierwsza tego typu kompletna mapa w historii. Projekt Claude Science ma być dowodem na to, że sztuczna inteligencja może przejąć żmudną pracę analityczną, za którą badacze nigdy by się nie zabrali samodzielnie. Proces opisał na stronie Anthropic astrofizyk z Johns Hopkins University, Brice Ménard.

Kluczowe wnioski

• Claude Science po raz pierwszy stworzył kompletną mapę nieba w świetle ultrafioletowym, łącząc dane z wielu misji kosmicznych.
• Agenci AI samodzielnie pobrali, skalibrowali i zintegrowali dane z różnych źródeł satelitarnych.
• Brakujące fragmenty mapy uzupełniono techniką inpaintingu – model uczył się na podstawie istniejących danych, by zrekonstruować puste obszary.
• W testach przewidywania modelu odbiegały od rzeczywistych pomiarów średnio o około dziesięć procent.
• Mapa nieba UV wcześniej nie istniała, bo warstwa ozonowa blokuje światło ultrafioletowe – można je mierzyć jedynie z kosmosu.

Dlaczego mapa nieba w ultrafiolecie jest przełomem

Światło ultrafioletowe ujawnia pył rozświetlony przez promieniowanie gwiazd – zjawiska takie jak obłoki otaczające młode gwiazdy czy pierścienie pozostałe po eksplozjach supernowych. Problem polega na tym, że atmosfera Ziemi, a konkretnie warstwa ozonowa, blokuje promieniowanie UV, więc jedynym sposobem jego pomiaru jest obserwacja z przestrzeni kosmicznej.

Dotąd najobszerniejszą próbę skatalogowania nieba w tym zakresie podjęła misja GALEX należąca do NASA. Pokryła ona około dwóch trzecich nieba, ale pominęła jasne regiony gwiazdotwórcze – obszary szczególnie interesujące dla astrofizyków, bo to właśnie tam powstają nowe gwiazdy. Do teraz nie istniała więc żadna pełna, kompletna mapa ultrafioletowa całego nieba.

Jak agenci AI poskładali niebo w jedną mapę

Claude Science koordynował pracę agentów AI, które pobrały dane z kilku różnych misji kosmicznych, skalibrowały je, a następnie połączyły w jedną, spójną całość. Ponieważ żadna pojedyncza misja nie obejmowała całego nieba, brakujące fragmenty uzupełniono za pomocą inpaintingu – techniki, w której model uczy się wzorców na podstawie dostępnych danych i na tej podstawie rekonstruuje obszary, dla których pomiarów nie było. W testach dokładności przewidywania modelu odbiegały od rzeczywistych wartości o około dziesięć procent – wynik, który Ménard traktuje jako wystarczający, by mapa mogła służyć jako materiał dydaktyczny i punkt wyjścia dla dalszych badań.

Ménard podejrzewa, że wielu naukowców od dawna odkładało podobne, czasochłonne projekty, uznając je za zbyt pracochłonne, by je realizować ręcznie. Dzięki automatyzacji pracy agentów AI, tego rodzaju zadania – wymagające pobierania, czyszczenia i scalania ogromnych zbiorów danych z różnych źródeł – stają się nagle wykonalne bez angażowania zespołów badaczy na długie miesiące.

Znaczenie dla pracy naukowej

Projekt Claude Science pokazuje konkretny przykład zastosowania AI nie jako narzędzia generującego treści, lecz jako systemu zdolnego do wykonywania rutynowej, ale wymagającej precyzji pracy badawczej: pobierania danych z wielu niezależnych źródeł, ich kalibracji, scalania i uzupełniania brakujących fragmentów. To rodzaj zadania, które historycznie pochłaniało miesiące pracy zespołów naukowych, a które teraz może zostać zautomatyzowane przy zachowaniu rozsądnej dokładności – w tym przypadku na poziomie dziesięcioprocentowego odchylenia od rzeczywistych pomiarów.

Mapa ma służyć przede wszystkim jako materiał edukacyjny, ale jej powstanie otwiera pytanie o to, ile innych podobnych, odkładanych od lat projektów badawczych czeka teraz na podobne wsparcie ze strony systemów AI.

Podsumowując: Claude Science zrealizował zadanie, które przez lata pozostawało niewykonane z braku zasobów, dowodząc, że agenci AI mogą realnie przyspieszyć pracę naukową tam, gdzie dotąd ograniczeniem był po prostu czas i liczba rąk do pracy.