طبق آن چه نیوتن گفته بود، اگر سه جسم داشته باشیم و سرعت، موقعیت و وزن آن‌ها را بدانیم باید بتوانیم تمام کنش‌ها و واکنش‌های بین آن‌ها را محاسبه کنیم. این مسئله از زمان نیوتون تا امروز همچنان یک مسئله چالش بر انگیز برای ستاره شناسان محسوب می‌شود. ولی شبکه عصبی (هوش مصنوعی) خلق شده توسط انسان توانسته است این مسئله را در کمتر از یک ثانیه حل کند.
اولین بار نیوتون بود که فرمول حل این مسئله را در قرن 17 میلادی ارائه کرد. ولی این راه حل بسیار پیچیده بود و پیدا کردن راه حلی ساده‌تر برای آن تقریباً غیرممکن به نظر می‌رسید. برهم کنش جاذبه سه جسم در فضا، مثلاً یک سیاره در نزدیکی هم، یا ستاره‌ها و قمرها دقیقاً بر همین اساس اتفاق می‌افتد. ولی محاسبه آن بسیار در هم و پیچیده و غیرقابل درک می‌شود. با این حال فقط به این طریق امکان پیش بینی حرکت و موقعیت هر یک از اجسام در طی این بر هم کنش وجود خواهد داشت.
در حال حاضر حل کردن این گونه مسائل و پیش بینی دقیقاً حرکت اجسام از طریق نرم افزارهای تخصصی انجام می‌شود که البته ممکن است روزها، هفته‌ها و حتی گاهی ماه‌ها به طول به انجامد . دلیل استفاده از هوش مصنوعی برای پیدا کردن راه حلی بهتر، سریع‌تر و ساده‌تر برای این کار هم افزایش سرعت کار است. خوشبختانه نتیجه کار مثبت بود.
الگوریتمی که شبکه عصبی دانشمندان به آن دست پیدا کرد در حقیقت 100 ها میلیون برابر سریع‌تر از بهترین نرم افزارهایی موجود برای محاسبه حرکت اجسام و بر هم کنش آن‌هاست. به این ترتیب دانشمندان و ستاره شناسان با کمک این هوش مصنوعی قادر خواهند بود رفتار خوشه ستاره‌ها و به‌طور کلی رفتار جهان اطراف را بسیار بهتر مشاهده کرده و درک کنند.
هوش مصنوعی در حقیقت یک شبکه عصبی است که الگوی کلی آن بر اساس نحوه عملکرد مغز خود ما طراحی شده است. اگر درک و پیش بینی رفتار ستاره‌ها برای ما ساده‌تر شود، در مرحله بعد می‌توانیم به سؤالات مهم‌تر و عمیق‌تر بپردازیم. مثلاً اینکه امواج گرانشی چطور ایجاد می‌شوند.
شبکه عصبی دانشمندان ستاره شناس توسط داده‌هایی که از قبل از پیش بینی‌های حرکتی ستاره‌ها و اجسام به دست آمده، آموزش می‌بیند. یعنی محققان برای آموزش این شبکه عصبی مجبور به جمع آوری یا ایجاد 9900 سناریوی مسئله سه جسم شدند. این کار با استفاده از بهترین نرم افزار موجود که Brutus نام دارد انجام شد.
ولی آموزش کافی نبود و عملکرد هوش مصنوعی باید آزمایش می‌شد. این کار با بررسی 5000 سناریویی جدید انجام گرفت که نتایج به دست آمده تا حد بسیار زیادی به داده‌های به دست آمده از Brutus نزدیک بودند، البته با یک تفاوت اساسی. اینکه هوش مصنوعی به‌جای 2 دقیقه، به چند صدم ثانیه زمان نیاز داشت.
علت کند بودن برنامه‌هایی مثل Brutus آن است که آن‌ها مسائل را با استفاده از روش منطقی و استدلالی تحلیل می‌کنند. یعنی برای هر مرحله و پیش بینی جزئیات هر حرکت، حجم بالایی از محاسبات لازم است. این در حالی است که شبکه عصبی به نحوه حرکتی که محاسبات پیش بینی کرده اند نگاه کرده و به کمک استنباط و استدلال، حرکت اشیاء دیگر و سناریو های جدید را پیش بینی می‌کند.
اگر عملکرد شبکه عصبی را قابل اعتماد بدانیم، می‌توان آن را در مقیاس بزرگ‌تر و برای پیش بینی بر هم کنش تعداد بسیار بیشتری از اجرام به کار گرفت. در حال حاضر این هوش مصنوعی فعلا مراحل اولیه توسعه‌اش را طی می‌کند. این آزمایش‌ها تنها برای اثبات کردن امکان انجام این کار در آینده بودند. مشکل آموزش این شبکه عصبی آن است که این سیستم به حجم بسیاری زیادی از داده ها نیاز دارد. یعنی در هر مرحله با افزایش تعداد اجرام و پیچیده‌تر شدن بر هم کنش‌ها، تولید داده‌های پیش بینی شده به کمک Brutus هم زمان بیشتری می طلبد و در نتیجه یادگیری هوش مصنوعی هم کند تر پیش می رود. و در مورد پیش بینی‌های پیچیده‌تر، این کار هم بسیار زمان بر و هم هزینه بر خواهد شد.
بنابراین با آن که ایده کلی استفاده از هوش مصنوعی و آموزش آن برای پیش بینی رفتار اجرام انجام شدنی به نظر می‌رسد، ولی در عمل تولید این مقدار داده برای آموزش آن، بسیار دشوار و غیرممکن است. به علاوه شبکه عصبی یک مشکل دیگر هم دارد. پیش بینی‌های هوش مصنوعی در یک بازه زمانی محدود انجام می‌شود این در حالی است که ممکن است کار الگوریتم پیش از آن که سناریو به انتها برسد، تمام شود.
شاید بهترین راه حل فعلا آن باشد که از این شبکه عصبی در کنار نرم افزار Brutus استفاده شود. به این ترتیب نرم افزار کار های اصلی را انجام خواهد داد و فقط برای انجام پیش بینی‌های ساده‌تر ولی سریع‌تر از شبکه عصبی استفاده خواهد کرد.
منبع: livescience
