Khi kỷ nguyên của trí tuệ nhân tạo đang diễn ra và ảnh hưởng tới nhân loại hơn bao giờ hết, nó đã và đang làm thay đổi cách mà các nhà khoa học nghiên cứu vũ trụ như thế nào? Bài viết dưới đây đã được đăng trong số phát hành tháng 3 của tạp chí CΩSMIONΨX (Cosmionyx). Xin giới thiệu cùng độc giả.
Không hề nói quá khi khẳng định rằng nghiên cứu khoa học nói chung, và nghiên cứu thiên văn học nói riêng, đang bước vào một kỷ nguyên mới với những bước ngoặt lớn đang diễn ra ngay lúc này. Khi theo dõi những tiến bộ trong nghiên cứu vũ trụ để phục vụ nhu cầu nắm bắt cá nhân cũng như các bài giảng và trao đổi khác của mình, tôi nhận thấy sự phát triển rất nhanh của những khám phá trong nghiên cứu vũ trụ vài năm qua không chỉ tới nhờ những đài quan sát ngày càng hiện đại cùng khả năng mang lại lượng dữ liệu chất lượng cao khổng lồ, mà còn từ một thứ mà chúng ta nhắc tới rất nhiều (thậm chí là hàng ngày) trong vài năm qua: Trí tuệ nhân tạo.
Trí tuệ nhân tạo (AI) không phải một khái niệm mới mà đã có trong ý tưởng của các nhà khoa học, các chuyên gia công nghệ từ hàng thập kỷ và cũng đã có nhiều ứng dụng trong các lĩnh vực khác nhau. Thế nhưng, nó chỉ thực sự được biết tới rộng rãi với công chúng khi các mô hình ngôn ngữ lớn (LLM) được giới thiệu dưới dạng những dịch vụ mà người ta có thể trả tiền (hoặc không) để hỏi-đáp và truy vấn thông tin với chúng. Đối với riêng thiên văn học, nhiều thành tựu nhờ sử dụng AI, đặc biệt là học máy (Machine Learning) và học sâu (Deep Learning), đã xuất hiện thường xuyên trong ít nhất là khoảng 10 năm qua, và cũng như chính tốc độ hoàn thiện của AI nói chung, sự nở rộ của các khám phá, và cũng chính là sự hoàn thiện thêm hiểu biết của chúng ta về vũ trụ, đang thực sự diễn ra ngay lúc này và sẽ ngày càng mạnh mẽ hơn.
KHÔNG LÃNG PHÍ DỮ LIỆU
Tháng 3 năm 2019, NASA công bố việc phát hiện hai ngoại hành tinh mới. Cả hai đều là những siêu Trái Đất (những hành tinh lớn hơn Trái Đất nhưng nhỏ hơn Sao Hải Vương), gồm K2-293b (có quỹ đạo quanh một ngôi sao cách chúng ta 1.300 năm ánh sáng) và K2-294b (có quỹ đạo quanh một ngôi sao ở cách khoảng 1.200 năm ánh sáng). Điều đáng chú ý ở đây là cả hai hành tinh này đều được tìm thấy trong dữ liệu của kính thiên văn không gian Kepler vốn đã dừng hoạt động từ năm 2018. Theo NASA, nhóm nghiên cứu đã tìm thấy hai ngoại hành tinh này nhờ một thuật toán học máy tên là AstroNet-K2. Trước đó, dữ liệu của Kepler đã được phân tích và giúp các nhà thiên văn học xác nhận được tới gần 3.000 ngoại hành tinh (những hành tinh bên ngoài Hệ Mặt Trời). Thế nhưng, các nhà thiên văn tin rằng vẫn còn nhiều thứ ẩn giấu trong đó, mà trường hợp tôi vừa nêu không phải lần duy nhất người ta tìm ra thêm cái gì đó từ dữ liệu cũ.
Cũng với mục đích tìm kiếm các ngoại hành tinh, sứ mệnh TESS của NASA trong hơn 7 năm qua đã mang lại một lượng dữ liệu khổng lồ. Nhiều khảo sát bầu trời, chẳng hạn như khảo sát SDSS, còn tạo ra lượng dữ liệu ảnh lớn hơn. Và mới đây nhất, khi đài quan sát Vera C. Rubin đi vào hoạt động, nó sẽ chụp ảnh hàng chục triệu hoặc thậm chí hàng tỷ đối tượng mỗi đêm. Làm thế nào để không bị lãng phí lượng dữ liệu đó?
Hiển nhiên, từ lâu, các nhà thiên văn không dùng mắt người một cách thuần túy để lọc dữ liệu ảnh. Với hai bức ảnh chụp cùng một vùng trời cách nhau vài giây, bạn đã thấy đủ vô vọng nếu phải tìm thấy những điểm khác nhau giữa chúng khi mà có tới hàng vạn hay thậm chí hàng triệu điểm sáng lớn nhỏ khác nhau trên đó. Ngay cả với những mục tiêu tìm kiếm dễ hơn - ví dụ như chuyển động của một sao chổi đã tới tương đối gần, bạn có thể nhìn thấy nếu đã biết trước, hoặc nếu không thì là nhờ chút may mắn, vì dữ liệu mà bạn cần tìm kiếm sẽ là hàng nghìn, hàng vạn hay hàng triệu tấm ảnh. Vì thế, các thuật toán từ lâu đã được sử dụng để thông qua đó, các máy tính có thể giúp các nhà thiên văn lọc ra sự khác biệt nhanh hơn nhiều. Nhưng vấn đề chung của các thuật toán truyền thống đó là cuối cùng thì các nhà nghiên cứu (tức là chính những người viết ra chúng) vẫn phải biết mình đang tìm cái gì. Nếu không chủ động định hướng cho các thuật toán thì việc có được những khám phá tình cờ chỉ hoàn toàn là may mắn ngẫu nhiên, và việc có một vài may mắn đó chỉ càng nói lên rằng ... có rất nhiều thứ khác đã bị bỏ lỡ. Một thách thức khác đối với phương pháp phân tích dữ liệu truyền thống là khả năng loại bỏ nhiễu. Một điểm sáng xuất hiện trong một bức ảnh thiên văn rất có thể chỉ là một hạt bụi trong khí quyển, ánh sáng từ một vệ tinh nhân tạo (mà chúng đang ngày càng nhiều lên), hoặc hiệu ứng ánh sáng ngoài mong muốn. Việc bổ sung thêm vào thuật toán truyền thống để lọc ra từng loại nhiễu là rất phức tạp và không thể loại trừ hết khi mà chẳng ai biết được có bao nhiêu khả năng có thể xảy ra.
Với học máy, AI có thể dựa vào dữ liệu đã được đào tạo để lập ra danh sách các đặc điểm và thông số của một loạt các đối tượng khác nhau: thiên hà, sao, hành tinh quá cảnh, supernova, sao chổi hoặc tiểu hành tinh trong Hệ Mặt Trời ... và từ đó nhận diện sự có mặt của chúng trong dữ liệu, và ngược lại loại trừ những tín hiệu giả vốn dĩ có thể gây hiểu nhầm. Tất nhiên, chúng ta cần làm rõ một lưu ý ở đây, đó là AI vốn dĩ không làm những thứ mà con người không thể làm được hay không thể nghĩ ra. Nhưng chúng tăng tốc quá trình đó để mang lại hiệu suất cao hơn, tận dụng triệt để hơn dữ liệu có được.
KỊP THỜI HƠN
Vào tháng 7 năm 2023, một supernova được phát hiện ở cách chúng ta khoảng 730 triệu năm ánh sáng, nhờ một thuật toán AI có khả năng phát hiện những sự kiện bất thường diễn ra trong thời gian ngắn (thường gọi chung là các sự kiện thoáng qua / transient event). Thay vì đợi quá trình phân tích dữ liệu và phải nhắm mục tiêu vào những loại đối tượng cụ thể, thì tốc độ phân tích và loại bỏ tín hiệu giả của AI cho phép các nhà khoa học biết tới những sự kiện này sớm nhất có thể - và trong nhiều trường hợp, nhờ đó mà họ có thể quan sát được sự kiện trước khi nó biến mất. Trong trường hợp này, nó đã mang lại cho chúng ta một hiểu biết hoàn toàn mới: một loại supernova trước đó chưa từng được biết tới. Trước đây, các supernova đã biết đều có một trong hai nguyên nhân: do bồi tụ nhanh đột ngột từ một sao đồng hành vào một sao lùn trắng (loại Ia), hoặc vụ nổ cuối đời từ lõi của các sao nặng (loại Ib là loại II). Nhưng supernova được đặt tên là SN 2023zkd thì hơi khác thường do các giai đoạn bùng sáng của nó, và các phân tích chi tiết đã cho thấy nó là kết quả của việc áp sát và va chạm giữa một sao khổng lồ và một lỗ đen.
Những hiện tượng thoáng qua có thể được ghi nhận thấy rất nhiều. Với đài Vera C. Rubin mới hoạt động gần đây, số lượng sự kiện được ghi nhận mỗi đêm có thể lên tới 10 triệu. Đó là một con số khổng lồ và gây phân tán, khiến cho bên cạnh nhiều khám phá có thể sẽ tới thì một lượng lớn hơn nhiều sẽ bị bỏ sót với cách phân tích truyền thống - vì tín hiệu giả và cả vì khi nhận ra thì đã muộn (sự kiện đã trôi qua và không thể quan sát chi tiết hơn). Làm sao để lọc ra xem đâu là tín hiệu cho thấy một vụ nổ lớn đang diễn ra trong vũ trụ, hay đâu là một tiểu hành tinh đang tiến tới gần, lẫn trong vô số tín hiệu giả? Đó là việc cần khả năng học máy của AI để giải quyết. Việc phát hiện kịp thời những sự kiện đáng chú ý sẽ giúp các nhà nghiên cứu định hướng ngay tức khắc xem đâu là đối tượng cần tập trung quan sát ngay khi có cơ hội.
Không chỉ những vụ supernova, những hành tinh quá cảnh hay sao biến quang, mà có lẽ, thậm chí, một lúc nào đó, cách này còn giúp chúng ta phát hiện kịp thời nhất những va chạm có thể gây nguy hiểm cho hành tinh trong tương lai.
MÔ HÌNH HÓA CÁC KỊCH BẢN
Trong thiên văn học hiện đại, các mô phỏng dựa trên các đặc tính vật lý thực tế là không thể thiếu. Chẳng hạn, làm thế nào để biết được quỹ đạo của các hành tinh trong Hệ Mặt Trời sẽ ra sao ở tương lai hàng triệu hay hàng trăm triệu năm nữa? Chúng ta đã biết các thành phần chính tham gia (Mặt Trời, các hành tinh, các vệ tinh lớn, ...) và cũng đã biết khá rõ về lực hấp dẫn (tương tác đóng hầu hết vai trò trong chuyển động quỹ đạo của các thiên thể). Nhưng để giải một hệ rất nhiều phương trình chồng chéo để vẽ ra kịch bản là quá phức tạp, chưa kể có thể có những tham số bị bỏ qua có thể dẫn tới sai sót. Vì thế, các nhà thiên văn sử dụng các mô phỏng mà trong đó các hành tinh được đặt vào đúng vị trí của chúng và lực hấp dẫn hoạt động đúng như những gì chúng ta đã biết, qua đó xem xét các kịch bản có thể diễn ra. Tuy nhiên, việc này gây tốn kém tài nguyên cho các siêu máy tính và thường phải chạy trong nhiều ngày, đôi là hàng tháng để ra được các kịch bản khác nhau. Thậm chí, với những mô phỏng đòi hỏi sự tham gia của nhiều thành phần hơn (ví dụ như hàng nghìn ngôi sao trong một cụm sao hay hàng tỷ hạt cơ bản trong một phạm vi nào đó) thì quá trình này còn tốn kém hơn nữa về nhiều mặt - và tất nhiên, trong nghiên cứu khoa học, tốn kém cũng chưa chắc đồng nghĩa với thành công. May thay, AI có thể tăng tốc được việc này.
Năm 2021, một nghiên cứu được công bố trên Proceedings of the National Academy of Sciences (tạp chí khoa học chuyên ngành thuộc Viện Hàn lâm Khoa học Hoa Kỳ) đã mô tả một công trình mà trong đó các nhà nghiên cứu đã sử dụng mô hình mạng neuron (neural network) để mô hình hóa vũ trụ ở qui mô lớn với sự tham gia của số lượng hạt cơ bản lớn gấp 512 lần so với phương pháp mô phỏng trước đây, và nhanh hơn rất nhiều. Cụ thể, để mô phỏng một vùng vũ trụ có đường kính 500 triệu năm ánh sáng với sự có mặt của 134 triệu hạt, các phương pháp đã có đòi hỏi một CPU độc lập phải chạy liên tục 560 giờ, trong khi với phương pháp mới thì họ chỉ mất 36 phút. Với qui mô lớn gấp 1.000 lần với 134 tỷ hạt, mô phỏng này mang lại độ phân giải cực cao chỉ với 16 giờ. Đây là một ví dụ điển hình cho việc áp dụng học máy và học sâu vào việc mô phỏng các qui mô của vũ trụ, trong đó các thuật toán định hướng cho AI học chính những dữ liệu đã có để khái quát và dự đoán các mô hình nhanh hơn. Không chỉ việc tăng độ phân giải và tính chi tiết cho các mô hình giúp các nhà khoa học có được bức tranh đầy đủ hơn, mà tốc độ xử lý cũng giúp tiết kiệm rất nhiều thời gian trong khi mang lại nhiều kịch bản hơn - nên nhớ, mô phỏng gần với thực tế nhất vẫn có thể cho ra những kịch bản khác nhau, các nhà khoa học luôn cần phải xem xét nhiều kịch bản để tìm ra (những) lời giải phù hợp nhất.
Mô phỏng vụ va chạm giữa một lỗ đen và một sao khổng lồ xanh trước khi supernova xảy ra.
Một ví dụ đầy ấn tượng khác về khả năng mô hình hóa của AI là việc phân tích và dự báo thời tiết không gian. Việc này được thể hiện rõ nét khi mà hoạt động của Mặt Trời đạt tới cực đại trong chu kỳ 11 năm của nó vào cuối năm 2024 và tới tận năm 2025 với rất nhiều những vụ bùng phát dưới dạng các quầng lửa, gây ra gió Mặt Trời dữ dội - những dòng hạt mang điện cường độ cao hướng về phía Trái Đất, có thể gây nhiễu cho hệ thống liên lạc, định vị vệ tinh hay thậm chí phá hủy các vệ tinh nhân tạo và ảnh hưởng tới điện lưới trên Trái Đất. Một mô hình AI tên là Surya được NASA hợp tác phát triển với IBM đã sử dụng dữ liệu quan sát liên tục 15 năm từ Đài quan sát Động lực học Mặt Trời (SDO) để mô hình hóa và dự đoán trước những vụ bùng phát như vậy. Năm 2025, công bố của NASA đã khẳng định mô hình này có thể dự đoán được những vụ bùng phát sớm hơn 2 giờ và với độ chính xác cao hơn những phương pháp cũ 16%. Trong tương lai, chắc chắn độ chính xác sẽ còn cao hơn nữa. Việc dự báo được những sự kiện liên quan tới Mặt Trời sẽ giúp các cơ quan quản lý vệ tinh kịp thời có phương án hạn chế rủi ro - ví dụ như tắt bớt chức năng của vệ tinh, và sẵn sàng cho việc xử lý những hệ quả có thể xảy ra. Đồng thời, phương pháp dự đoán dựa trên mô hình hóa lượng dữ liệu lớn này cũng sẽ được áp dụng cho việc dự đoán các mô hình thời tiết không gian khác, cũng như ở các hành tinh khác (ví dụ như Sao Hỏa) trong tương lai.
Hiển nhiên, nhắc tới ứng dụng của AI thì còn phải nói tới khả năng tự động hóa ngày càng xuất sắc của các đài quan sát, các vệ tinh và các thiết bị tự hành (ví dụ như Perseverance đang hoạt động trên Sao Hỏa và rất nhiều sứ mệnh khác đang triển khai). AI có thể giúp các đài quan sát tự động lựa chọn mục tiêu tiềm năng và hướng về đó nhanh hơn đợi quá trình xử lý thủ công của con người, có thể cho phép các thiết bị tự hành liên tục hoạt động và tự đưa ra quyết định trong nhiều tình huống ngay cả khi mất liên lạc tạm thời với Trái Đất, ...
Dù sao, mọi thứ đều có mặt trái và những thách thức cần vượt qua!
THÁCH THỨC CẦN VƯỢT QUA
AI có luôn đưa ra kết quả đáng tin cậy hay không? Tại sao nó lại dự đoán thế này mà không phải thế kia? Tại sao một robot đang ở Sao Hỏa (hay nơi nào đó khác) lại "tự tin" quyết định rằng hành động này là cần thiết hơn hành động khác? Đó là vấn đề đã được chú ý tới trong AI nói chung chứ không riêng đối với thiên văn học.
Những hệ thống AI đang được sử dụng ngày nay đa phần là những AI dạng "hộp đen" (black box). Bạn cho chúng dữ liệu đầu vào, và chúng sẽ cho bạn thấy đầu ra, nhưng bạn không biết được những gì diễn ra bên trong, tức là lý do gì dẫn tới những kết quả đó, giống như khi bạn nhờ ai đó giải một bài toán phức tạp và tất cả những gì bạn nhận được chỉ là kết quả cuối cùng mà không có lời giải thích. Việc này có thể không quá quan trọng khi bạn truy vấn thông tin thông thường, nhưng đối với khoa học thì nó là một vấn đề lớn, vì kết quả khoa học luôn cần lời giải thích mạch lạc - nếu không có lời giải thích, thì đơn giản là kết quả không đáng tin cậy.
Hiệu ứng hộp đen như vậy trong nhiều trường hợp là chủ đích của các nhà phát triển, bởi khi đưa sản phẩm ra thị trường, họ muốn bảo mật bằng cách giấu đi cách mà hệ thống vận hành. Tuy nhiên, bên cạnh đó, ở những hệ thống học sâu phức tạp sử dụng mô hình mạng neuron, có rất nhiều cơ chế quá phức tạp tự phát sinh mà chính các nhà phát triển cũng không thể kiểm soát hết để giải thích được. Nếu không thể giải thích hoàn toàn, thì một mô hình AI được đào tạo từ dữ liệu quan sát vẫn có thể nhầm một tín hiệu nào đó của một cụm sao thành một thiên hà, hay một sao biến quang thành một supernova, và khi việc đó được chấp nhận rộng rãi thì nó sẽ trở thành thiên kiến (bias), khiến cho những thống kê tiếp theo trở nên sai lầm.
Để khắc phục điểm yếu này, việc nghiên cứu khoa học nói chung và nghiên cứu thiên văn học nói riêng trong tương lai tới đây sẽ cần kết hợp việc phát triển các XAI (AI có giải thích / Explanable AI) và mô hình human-in-the-loop trong đó con người trực tiếp tham gia song song trong quá trình xử lý của AI. Việc đó sẽ tăng đáng kể độ tin cậy của kết quả đầu ra.
HƯỚNG TỚI TƯƠNG LAI
Mặc dù còn hạn chế và có những thách thức cần vượt qua, nhưng rõ ràng sự phát triển của trí tuệ nhân tạo đã mang lại một kỷ nguyên nghiên cứu đầy hứa hẹn. Những ví dụ mà tôi dẫn ra ở trên chỉ mới là một phần rất nhỏ của bức tranh toàn cảnh về những ứng dụng của AI trong nghiên cứu thiên văn học hiện đại, trong khi chúng ta không nên quên rằng chỉ trong thời gian rất ngắn nữa, khả năng của những mô hình đó sẽ còn tiến xa.
Việc phân tích và sàng lọc hàng triệu tín hiệu để tìm ra các ngoại hành tinh và phân loại chúng, cũng như phân tích khí quyển của nhiều hành tinh trong số đó để tìm ra những hành tinh tiềm năng cho sự sống sẽ trở nên nhanh chóng hơn rất nhiều. Trong vô số tín hiệu thu được ở nhiều bước sóng khác nhau, những công cụ này sẽ nhanh chóng hơn trong việc phân loại ra những tín hiệu có khả năng tới từ một nền văn minh khác. Điều tương tự cũng xảy ra với việc tìm kiếm sóng hấp dẫn tới từ những sự kiện xa xôi trong vũ trụ, hay việc xác định chính xác những biến thiên trong trường hấp dẫn của các thiên hà để khẳng định vật chất tối có thực sự như chúng ta từng nghĩ hay không.
Có lẽ, với sự hỗ trợ của AI, sẽ có rất nhiều đột phá mới trong hiểu biết của chúng ta về vũ trụ sẽ xuất hiện trong tương lai rất gần. Và bất cứ điều gì mới mẻ về vũ trụ đều rất đáng để trông đợi!
Đặng Vũ Tuấn Sơn
Đã đăng trên số phát hành tháng 3 của Tạp chí CΩSMIONΨX
Hiện tại, độc giả có thể đọc bản online số đầu tiên của tạp chí TẠI ĐÂY và đặt mua số thứ hai (phát hành cuối tháng 6/2026) TẠI ĐÂY.
