الذكاء الاصطناعي في علم الفلك: أتمتة البحث عن الكواكب الخارجية

تم النشر 20 يونيو، 2026

"المستقبل موجود بالفعل، لكنه غير موزع بالتساوي." - ويليام جيبسون، كاتب الخيال العلمي الشهير. تُظهر هذه المقولة كيف يُغير الذكاء الاصطناعي علم الفلك، إذ يُسهّل اكتشاف الكواكب الخارجية بشكل كبير. تعمل الخوارزميات المدعومة بالذكاء الاصطناعي الآن على أتمتة عمليات البحث عن هذه الكواكب، مما يفتح آفاقًا جديدة لدراسة الكواكب خارج نظامنا الشمسي.

في السنوات العشر الماضية، تمت مراقبة أكثر من مليون نجم عن كثب. كان الهدف هو العثور على الكواكب الخارجية التي تعبر أمام نجومها وتحجب بعض الضوء. كان هذا العمل الشاق يقوم به الناس. والآن، يعمل الذكاء الاصطناعي والتعلم العميق على جعل الأمر أسرع وأكثر دقة.

تبحث نماذج الذكاء الاصطناعي هذه عن الأنماط في كميات هائلة من البيانات. وهذا يساعدهم على العثور على الكواكب الخارجية بشكل أفضل وأسرع.

الوجبات السريعة الرئيسية

• يمكن للشبكات العصبية اكتشاف الكواكب الخارجية الشبيهة بالأرض في بيانات سلاسل زمنية صاخبة بدقة أكبر من طرق المربعات الصغرى التقليدية.
• نجحت الخوارزميات المدعومة بالذكاء الاصطناعي في تحديد مرشحين جدد للكواكب الخارجية، بما في ذلك الكوكب السادس في نظام كيبلر-80.
• الشبكات العصبية التلافيفية، وهو نوع من خوارزميات التعلم الآلي، يتمتع بكفاءة عالية في تحديد الكواكب الخارجية المحتملة.
• يتيح دمج الذكاء الاصطناعي في التلسكوبات تحليل البيانات في الوقت الفعلي والكشف الفوري عن الكواكب الخارجية.
• تشمل التحديات التي تواجه تنفيذ الذكاء الاصطناعي الحاجة إلى مجموعات بيانات كبيرة ومتنوعة وضمان تعميم الاكتشافات على البيانات الجديدة.

مقدمة للكشف عن الكواكب الخارجية

لطالما كان البحث عن الكواكب الخارجية مثيرًا لعقود. هذه كواكب تدور حول نجوم أخرى. عندما يمر كوكب أمام نجمه، يمكننا دراسة غلافه الجوي. حتى الآن، تم اكتشاف أكثر من 4,300 كوكب خارجي باستخدام مهمات فضائية مثل كيبلر ومسح أرضي. لكن العثور على كواكب صغيرة بحجم الأرض ليس بالأمر السهل.

التحديات في اكتشاف الكواكب الخارجية الشبيهة بالأرض

العثور على كواكب خارجية شبيهة بالأرض أمر صعب. إن التغير في سطوع النجم عندما يمر كوكب يكون صغيرا، حوالي 100 جزء في المليون بالنسبة لنجم مثل شمسنا. غالبًا ما يتم إخفاء هذا التغيير البسيط بسبب التغيرات الطبيعية للنجم، مما يجعل من الصعب اكتشاف هذه الكواكب.

الطرق التقليدية: تحسين المربعات الصغرى والبحث على الشبكة

تعتمد الطرق القديمة لاكتشاف الكواكب الخارجية على تحسين المربعات الصغرى أو البحث الشبكي . تحاول هذه الطرق مطابقة البيانات مع نموذج عبور بسيط، لكنها قد تتعثر في الحد الأدنى المحلي، مما يؤدي إلى نتائج خاطئة. ولتحسين النتائج، يمكننا تجميع البيانات معًا، لكن إيجاد أفضل مرشح لأشكال العبور المختلفة أمر صعب.

ويجري استكشاف طرق جديدة، مثل استخدام الشبكات العصبية للكشف عن الكواكب الخارجية. تهدف هذه التقنيات الجديدة إلى التغلب على تحديات تغييرات النجوم وأخطاء النظام. يعدون بطريقة أفضل للعثور على الكواكب الخارجية الشبيهة بالأرض في عمليات المسح الكبيرة.

الشبكات العصبية: نهج جديد لاكتشاف الكواكب الخارجية

تعمل الشبكات العصبية، المعروفة أيضًا باسم "التعلم العميق" أو "الشبكات العميقة"، على تغيير كيفية العثور على الكواكب الخارجية. إنها تختلف عن الأساليب القديمة التي تستخدم القواعد المحددة. تتعلم هذه النماذج المتقدمة اكتشاف أنماط الكواكب الخارجية في البيانات الصاخبة من تلقاء نفسها.

كيف تعمل الشبكات العصبية للتعرف على الأنماط

تستطيع شبكاتنا العصبية الالتفافية اكتشاف الكواكب الخارجية الشبيهة بالأرض بكفاءة أعلى من الطرق التقليدية. تعمل نماذج التعلم العميق هذه بكفاءة مع أنواع مختلفة من البيانات، وتتعلم رصد إشارات الكواكب الخارجية حتى في وجود تشويش وتغيرات في سطوع النجم.

تكمن قوة التعلم العميق في علم الفلك في قدرته على اكتشاف الأنماط المعقدة في مجموعات البيانات الضخمة. وعلى عكس خوارزميات التعلم الآلي التقليدية ، لا تحتاج الشبكات العصبية الالتفافية إلى تحديد السمات المهمة، إذ يمكنها تعلم هذه السمات ذاتيًا والتحسن مع مرور الوقت.

"لقد اكتشف تحليلنا العميق لمنحنيات ضوء كيبلر عمليات عبور دورية تتوافق مع الفترة الحقيقية دون أي نموذج مناسب."

بفضل الشبكات العصبية، حققنا اكتشافات كبيرة في علم الفلك. على سبيل المثال، وجدنا كوكبين خارجيين جديدين بحجم الأرض في نظامي Kepler-90 وKepler-80. لقد تم اكتشاف هذه الكواكب بالطرق القديمة ولكن تم اكتشافها بواسطة خوارزميات التعلم العميق. يوضح هذا مدى قوة هذه التكنولوجيا في استكشاف الكواكب الخارجية.

تدريب الشبكة العصبية لاكتشاف الكواكب الخارجية

لتدريب الشبكة العصبية على اكتشاف الكواكب الخارجية ، استخدمنا مجموعة بيانات تضم 15,000 إشارة مؤكدة لكواكب خارجية من فهرس كيبلر. أظهرت مجموعة الاختبار أن الشبكة حددت الكواكب الحقيقية والنتائج الإيجابية الخاطئة بدقة 96%. بعد تعلم نمط عبور الكواكب الخارجية، درّبنا النموذج على البحث عن إشارات أضعف في 670 نظامًا نجميًا تحتوي على كواكب متعددة معروفة. اعتقدنا أن هذه الأنظمة ستكون مواقع مثالية لاكتشاف المزيد من الكواكب الخارجية.

تم تدريب نموذج التعلم الآلي على أكثر من 15,000 إشارة كيبلر. وقد حددت بشكل صحيح الكواكب مقابل غير الكواكب بنسبة 96٪ من الوقت. باستخدام هذا النموذج، نظرنا إلى بيانات من 670 نجمًا معروفًا بوجود كوكبين خارجيين أو أكثر. لقد وجدنا كوكبين جديدين: كيبلر 80 جي وكبلر 90 آي.

كبلر 90i أكبر بنسبة 30% من الأرض وتبلغ درجة حرارة سطحه حوالي 800 درجة فهرنهايت. ويدور حول نجمه كل 14 يومًا. كيبلر 90 هو أول نظام معروف مكون من 8 كواكب خارج نظامنا الشمسي. وهذا يدل على أنه قد يكون هناك العديد من الكواكب الخارجية في بيانات كيبلر التي تنتظر العثور عليها.

"لقد حدد نموذج التعلم الآلي بشكل صحيح الكواكب مقابل غير الكواكب بنسبة 96٪ من الوقت بناءً على مجموعة بيانات تضم أكثر من 15,000 إشارة كبلر مصنفة."

نظر كيبلر إلى حوالي 200,000 ألف نجم لمدة أربع سنوات، وجمع حوالي 14 مليار نقطة بيانات. وهذا يعني حوالي 2 كوادريليون مدارات كوكبية محتملة. لكن تم فحص 670 نجمة فقط من أصل 200,000 ألف نجمة حتى الآن. يوضح هذا أن هناك إمكانية هائلة لمزيد من اكتشافات الكواكب الخارجية في بيانات كيبلر باستخدام خوارزميات التعلم العميق.

الذكاء الاصطناعي في علم الفلك: أتمتة البحث عن الكواكب الخارجية

لقد غيرت تكنولوجيا الذكاء الاصطناعي الطريقة التي نبحث بها عن الكواكب الخارجية. من الصعب العثور على كواكب شبيهة بالأرض خارج نظامنا الشمسي. فهو يحتاج إلى خوارزميات معقدة لتصفح الكثير من البيانات. الذكاء الاصطناعي، وخاصة الشبكات العصبية، مثالي لهذه المهمة.

للعثور على الكواكب الخارجية، يجب أن ترصد الخوارزمية الأنماط في البيانات بسرعة ودقة. تستطيع نماذج التعلم العميق، المدربة على بيانات محاكاة، التعرف على بصمات الكواكب الخارجية بدقة عالية، متفوقةً بذلك على الطرق التقليدية . تُمكّننا الشبكات العصبية من أتمتة البحث، مما يوفر الوقت والموارد لعلماء الفلك لاستكشاف المزيد.

• تم استخدام الذكاء الاصطناعي لاكتشاف كوكبين خارجيين جديدين لأول مرة.
• يمكن للشبكة العصبية التي تم تطويرها التعرف على الكواكب بدقة تصل إلى 96%.
• يساعد الذكاء الاصطناعي في البحث عن الكوكب التاسع واكتشاف أجسام جديدة.

يمكن لنماذج التعلم العميق معرفة ما إذا كانت الإشارة قد تكون عبورًا أم لا. هذا هو المفتاح في العالم المعقد للعثور على الكواكب الخارجية.

"يحدث الذكاء الاصطناعي ثورة في الطريقة التي نبحث بها عن الكواكب الخارجية، ويفتح آفاقًا جديدة في علم الفلك والسعي لفهم مكاننا في الكون."

ومع ورود المزيد من البيانات، نحتاج إلى طرق فعالة وموثوقة للتعامل معها. تم إعداد الذكاء الاصطناعي في الكشف عن الكواكب الخارجية لتغيير استكشاف الفضاء. فهو يتيح لعلماء الفلك اكتشاف أسرار الكون بشكل أسرع وأكثر دقة.

مزايا الشبكات العصبية على الطرق التقليدية

تتمتع الشبكات العصبية بالعديد من الفوائد عند العثور على الكواكب الخارجية. يمكنهم التعامل مع العلاقات المعقدة التي يصعب اكتشافها يدويًا. وهذا على عكس الطرق التقليدية التي تستخدم قواعد بسيطة.

إنها رائعة في التعامل مع البيانات الصاخبة والتغيرات في النجوم. غالبًا ما تقوم الطرق التقليدية بإزالة هذه التغييرات، والتي يمكن أن تخفي إشارة الكوكب. ومع ذلك، فإن الشبكات العصبية أفضل في التعامل مع هذه المشكلات. وهذا يجعلها خيارًا قويًا للعثور على الكواكب الخارجية.

المتانة للضوضاء والتقلبات النجمية

الشبكات العصبية جيدة حقًا في التعامل مع الضوضاء والتغيرات في النجوم. ويتعلمون من البيانات كيفية العثور على أفضل الميزات لاكتشاف إشارة الكوكب. وهذا يجعلها أكثر موثوقية في العثور على الكواكب الخارجية.

"يمكن لخوارزميات الذكاء الاصطناعي التدقيق في مجموعات البيانات الضخمة في الفيزياء الفلكية بمعدل من شأنه أن يجعل علماء الفلك البشريين يرتجفون."

تطبيقات التعلم العميق في علوم الكواكب الخارجية

لقد شهد علم الكواكب الخارجية قفزات كبيرة إلى الأمام بفضل التعلم العميق. يستخدم الباحثون الشبكات العصبية لحل المشكلات الصعبة. يتضمن ذلك التنبؤ بما إذا كان النظام يحتوي على كواكب متعددة ومعرفة ما يوجد في الغلاف الجوي لكوكب خارج المجموعة الشمسية.

التنبؤ متعدد الكواكب

تعتبر الشبكات العصبية أساسية في اكتشاف الأنظمة متعددة الكواكب. إنهم ينظرون إلى كيفية ارتباط الفترات المدارية وأحجام الكواكب والكتل ببعضها البعض. ويساعد ذلك في العثور على كواكب أخرى في النظام، كما هو موضح من قبل كيبينج ولام (2017). وقد فتحت هذه الطريقة الجديدة المزيد من الطرق لاكتشاف وفهم الكواكب الخارجية.

تصنيف الغلاف الجوي للكواكب الخارجية

يساعد التعلم العميق أيضًا في تصنيف أجواء الكواكب الخارجية حسب أطيافها. يصعب حل هذه الأنظمة المعقدة بالطرق التقليدية. لكن الشبكات العصبية يمكنها التعامل معها بشكل جيد. ومن خلال تدريب هذه النماذج على مجموعات بيانات كبيرة، يستطيع العلماء الآن تخمين ما يوجد في الغلاف الجوي لكوكب خارج المجموعة الشمسية. وهذا يساعدنا على فهم مدى تنوع الكواكب الخارجية وربما الصالحة للحياة.

لقد غيّر استخدام الشبكات العصبية للتنبؤ بوجود كواكب متعددة ، والتعلم العميق لتصنيف الغلاف الجوي للكواكب الخارجية ، وغيرها من تطبيقات الذكاء الاصطناعي في علم الكواكب الخارجية، طريقة دراستنا لهذه الكواكب. ومع تطور التكنولوجيا، من المرجح أن نشهد المزيد من الاكتشافات المثيرة عند تقاطع علم الفلك والذكاء الاصطناعي.

Kepler-90i: أول نظام مكون من ثمانية كواكب اكتشفه الذكاء الاصطناعي

حقق علماء الفلك تقدمًا كبيرًا باستخدام التعلم الآلي. لقد عثروا على أول نظام مكون من ثمانية كواكب، وهو Kepler-90، وذلك بفضل شبكة Google العصبية. Kepler-90i، كوكب صخري حار، يدور حول نجمه كل 14.4 يومًا. إنه الكوكب الثامن في النظام، وهو يعادل كوكبنا من حيث العدد.

ساعدت الشبكة العصبية في العثور على Kepler-90i. تم تدريبه على بيانات من تلسكوب كيبلر الفضائي. قام الباحثون أندرو فاندربيرج وكريستوفر شالو بعمل النموذج. لقد اختار الكواكب بشكل صحيح بنسبة 96٪ من الوقت في الاختبارات. نظرت الشبكة إلى 670 نظامًا نجميًا ووجدت كواكب جديدة، بما في ذلك كوكب Kepler-80g بحجم الأرض.

يبلغ حجم نظام كيبلر-90i حوالي 30% أكبر من حجم الأرض، وتتجاوز درجة حرارة سطحه 800 درجة فهرنهايت. يقع هذا النظام على بُعد 2,545 سنة ضوئية في كوكبة التنين. وهو أشبه بنسخة مصغرة من نظامنا الشمسي، حيث توجد كواكب صغيرة قريبة من النجم وكواكب كبيرة بعيدة عنه.

وقال فاندربيرج: "هذه هي المرة الأولى التي يتم فيها استخدام الشبكة العصبية لاكتشاف الكواكب في بيانات كيبلر". "إن النظام الكوكبي Kepler-90 يشبه نسخة مصغرة من نظامنا الشمسي. لدينا كواكب صغيرة صخرية في الداخل، وكواكب غازية كبيرة في الخارج، تمامًا كما نفعل.»

من المقرر نشر البحث المتعلق بكوكب كيبلر-90i في مجلة "ذا أسترونوميكال جورنال" . يخطط الفريق لدراسة أكثر من 150,000 ألف نجم من مهمة كيبلر باستخدام الشبكة العصبية، ويأملون في اكتشاف المزيد من الكواكب البعيدة.

يوضح هذا الإنجاز مدى قوة الذكاء الاصطناعي في علم الكواكب الخارجية. ومن خلال استخدام الشبكات العصبية للعثور على الإشارات الخافتة، يمكن لعلماء الفلك معرفة المزيد عن أنظمة الكواكب الأخرى. وهذا يمكن أن يؤدي إلى اكتشافات جديدة حول عوالم صالحة للسكن.

التحديات والقيود المتعلقة باكتشاف الكواكب الخارجية المعتمدة على الذكاء الاصطناعي

لقد كان التعلم الآلي بمثابة مساعدة كبيرة في العثور على الكواكب الخارجية. ولكن لا تزال هناك تحديات وقيود كبيرة لاستخدام الذكاء الاصطناعي لهذا الغرض. تظهر دراساتنا أن الذكاء الاصطناعي يمكن أن يرتكب الكثير من الأخطاء، معتقدًا أن بعض الإشارات هي كواكب بينما ليست كذلك.

إنه مثل البحث في الصخور للعثور على المجوهرات. إن العثور على الكواكب الخارجية الحقيقية بين الإشارات المزيفة يستغرق الكثير من الوقت والجهد. يجب على علماء الفلك التحقق من كل نتيجة بعناية.

يعتمد مدى نجاح الذكاء الاصطناعي في العثور على الكواكب الخارجية أيضًا على البيانات التي يستخدمها. وبدون الكثير من البيانات الجيدة، لا يستطيع الذكاء الاصطناعي أن يبذل قصارى جهده. وهذا يعني أنها قد ترتكب المزيد من الأخطاء ولا تجد كواكب حقيقية.

قد لا يعمل الذكاء الاصطناعي بنفس الطريقة مع جميع طرق العثور على الكواكب الخارجية. تعمل بعض الطرق بشكل أفضل مع أنواع معينة من الكواكب. ولكن ليست كل الأساليب تعمل بشكل جيد مع الذكاء الاصطناعي.

وحتى مع هذه المشاكل، ما زلنا متفائلين بشأن قدرة الذكاء الاصطناعي على العثور على الكواكب الخارجية. ومع تحسن التعلم الآلي وحصولنا على المزيد من البيانات، فمن المرجح أن يصبح الذكاء الاصطناعي أكثر دقة. سيساعدنا هذا في معرفة المزيد عن الكواكب الموجودة هناك.

"إن غربلة النتائج للعثور على إشارات الكواكب الخارجية الحقيقية يشبه "غربلة الصخور للعثور على الجواهر".

مستقبل الذكاء الاصطناعي في استكشاف الكواكب الخارجية

بينما نستكشف الكون، سيصبح الذكاء الاصطناعي لاعبًا رئيسيًا في المهام الفضائية. إن اتساع الفضاء وتعقيد الكواكب الخارجية يجعل الذكاء الاصطناعي أمرًا بالغ الأهمية. ويمكنه التكيف واتخاذ القرارات من تلقاء نفسه، دون الحاجة إلى مساعدة بشرية مستمرة.

مهمات فضائية مدعومة بالذكاء الاصطناعي والاستكشاف المستقل

تم إعداد الذكاء الاصطناعي لتغيير قواعد اللعبة في استكشاف الكواكب الخارجية. لقد أظهرت بالفعل قوتها في تحليل بيانات الأقمار الصناعية والاستشعار عن بعد وجعل المركبات الفضائية أكثر استقلالية. مع إرسال المركبات الفضائية تيرابايت من البيانات كل أسبوع، سيكون الذكاء الاصطناعي أمرًا حيويًا لفهم كل ذلك.

سوف يقود الذكاء الاصطناعي حل المشكلات من تلقاء نفسه، مما سيمكن الروبوتات من استكشاف الفضاء دون الحاجة إلى إرشادهم. على سبيل المثال، تستخدم مركبات المريخ الذكاء الاصطناعي في الملاحة واتخاذ القرار. ويساعد الذكاء الاصطناعي أيضًا في تحليل البيانات من المجسات والتلسكوبات، مما يؤدي إلى اكتشافات جديدة.

من المقرر أن يُحدث الذكاء الاصطناعي ثورة في استكشاف الكواكب الخارجية. لقد أظهرت بالفعل مهاراتها في تحليل بيانات الأقمار الصناعية والاستشعار عن بعد وتحسين استقلالية المركبات الفضائية. ومع ورود الكثير من البيانات، سيكون الذكاء الاصطناعي هو المفتاح لفهم كل شيء.

وسيتولى الذكاء الاصطناعي مسؤولية حل المشكلات، مما يسمح للروبوتات باستكشاف الفضاء بمفردها. تعتمد مركبات المريخ على الذكاء الاصطناعي في الملاحة واتخاذ القرارات. ويساعد الذكاء الاصطناعي أيضًا في تحليل البيانات من المجسات والتلسكوبات، مما يؤدي إلى اكتشافات جديدة.

بينما نتخطى حدود استكشاف الفضاء، سيكون الذكاء الاصطناعي هو المفتاح في الكشف عن أسرار الكواكب الخارجية. وسوف يساعدنا على فهم الكون بشكل أفضل.

ExoMiner: الذكاء الاصطناعي التابع لناسا لاكتشاف الكواكب الخارجية بكفاءة

ابتكرت وكالة ناسا نظام ذكاء اصطناعي متطوراً يُدعى ExoMiner لتغيير طريقة اكتشافنا للكواكب خارج نظامنا الشمسي. يتفوق ExoMiner بشكل كبير على الطرق القديمة، حيث تمكن من تحديد 93.6% من الكواكب بدقة في مجموعة بيانات ضخمة.

يستطيع برنامج ExoMiner معالجة كميات هائلة من البيانات من مهمات مثل مهمة كيبلر. وقد اكتشف كيبلر 2879 كوكبًا خارجيًا مؤكدًا من أصل 4575 كوكبًا تم اكتشافها حتى الآن. يستخدم هذا البرنامج تقنية الذكاء الاصطناعي للتعلم العميق لرصد إشارات الكواكب الخارجية بسرعة ودقة، وهي إشارات لم ترصدها برامج أخرى. وهذا أمر بالغ الأهمية، لأن طريقة العبور ترصد معظم الكواكب الخارجية، ولكنها غالبًا ما تخلط بين النتائج الإيجابية الخاطئة والحقيقية.

لا يقتصر دور برنامج ExoMiner على اكتشاف الكواكب الخارجية بسرعة أكبر فحسب، بل يشرح أيضاً قراراته، موضحاً البيانات الأكثر أهمية. وهذا أمر بالغ الأهمية مع ازدياد معرفتنا بكيفية تشكل الكواكب وتغيرها عبر الزمن.

ومع بدء مهمة TESS في عام 2022 ومهمة PLATO في عام 2026، سيصبح الذكاء الاصطناعي في العثور على الكواكب الخارجية أكثر أهمية. يُظهر نجاح ExoMiner مع بيانات Kepler كيف يمكن للذكاء الاصطناعي تسريع عملية العثور على كواكب جديدة ومساعدتنا على فهم المزيد عن الكواكب الأخرى.

خاتمة

لقد غيّر الذكاء الاصطناعي (AI) الطريقة التي نبحث بها عن الكواكب الخارجية. لقد جعل العثور على الكواكب البعيدة ودراستها أفضل بكثير. تعد الشبكات العصبية والتعلم العميق من الأدوات الأساسية التي تتفوق على الأساليب القديمة في اكتشاف الإشارات في مجموعات البيانات الضخمة.

يُظهر اكتشاف نظام كيبلر-90 ذي الكواكب الثمانية كيف يُسهم الذكاء الاصطناعي في هذا المجال. كما تُبرز أدوات مثل ExoMiner قدرة الذكاء الاصطناعي على اكتشاف الكواكب الخارجية.

ومع استكشافنا للفضاء أكثر، سيلعب الذكاء الاصطناعي دورًا كبيرًا. ستتخذ هذه الأنظمة الذكية القرارات بنفسها، وتتعامل مع البيانات الضخمة، وتتكيف مع التحديات الجديدة. سيساعدنا الذكاء الاصطناعي في العثور على الكواكب الخارجية والتعرف عليها بشكل لم يسبق له مثيل.

تُظهر نظرتنا إلى الذكاء الاصطناعي في أبحاث الكواكب الخارجية أثره الكبير. سيُغير مستقبل استكشاف الفضاء بالذكاء الاصطناعي نظرتنا إلى الكون ومكانتنا فيه.

روابط المصدر

• https://www.nasa.gov/news-release/artificial-intelligence-nasa-data-used-to-discover-eighth-planet-circling-distant-star/ – الذكاء الاصطناعي وبيانات ناسا المستخدمة لاكتشاف الكوكب الثامن الذي يدور حول نجم بعيد – ناسا
• https://www.linkedin.com/pulse/intelligent-telescopes-ai-search-exoplanets–fxiwf – التلسكوبات الذكية: الذكاء الاصطناعي في البحث عن الكواكب الخارجية
• https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9132280/ – اكتشاف الكواكب الخارجية بالتعلم العميق من خلال الجمع بين البيانات الحقيقية والاصطناعية
• https://www.datasciencecentral.com/machine-learning-and-the-search-for-e-t/ – التعلم الآلي والبحث عن ET – DataScienceCentral.com
• https://astrobiology.nasa.gov/news/artificial-intelligence-has-just-found-two-exoplanets-what-does-this-mean-for-planet-hunting/ - ناسا علم الأحياء الفلكي
• https://ai.gopubby.com/the-next-earth-ais-breakthrough-in-the-hunt-for-exoplanets-438e334b4b2c - الأرض التالية: اختراق الذكاء الاصطناعي في البحث عن الكواكب الخارجية
• https://www.sciencedirect.com/science/article/abs/pii/S1384107621001196 - التحديد الآلي للكواكب الخارجية العابرة المرشحة في بيانات القمر الصناعي لمسح الكواكب الخارجية العابرة التابعة لناسا (TESS) باستخدام أساليب التعلم الآلي
• https://medium.com/@uvishal1995/weekly-literature-review-1-exoplanet-detection-using-deep-learning-4930ee4f8733 - مراجعة الأدبيات الأسبوعية رقم 1: الكشف عن الكواكب الخارجية باستخدام التعلم العميق
• https://www.esa.int/Enabling_Support/Preparing_for_the_Future/Discovery_and_Preparation/Artificial_intelligence_in_space - الذكاء الاصطناعي في الفضاء
• https://blog.google/technology/ai/hunting-planets-machine-learning/ - الأرض إلى كوكب خارج المجموعة الشمسية: البحث عن الكواكب باستخدام التعلم الآلي
• https://www.wired.com/story/why-artificial-intelligence-is-the-future-of-astronomy/ - الذكاء الاصطناعي يساعد علماء الفلك على اكتشاف كواكب جديدة
• https://pdfs.semanticscholar.org/968a/9a77943c8550053e522ede5cb82b9bc07dd8.pdf - بي دي إف
• https://blog.emb.global/ai-in-astrophysics/ - الذكاء الاصطناعي في الفيزياء الفلكية: كشف أسرار الكون
• https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0268199 – اكتشاف الكواكب الخارجية بالتعلم العميق من خلال الجمع بين البيانات الحقيقية والاصطناعية
• https://news.mit.edu/2019/computing-and-search-for-new-planets-tess-mit-0923 – الحوسبة والبحث عن كواكب جديدة
• https://academic.oup.com/mnras/article/483/4/5534/5199219 - أساليب التعلم الآلي للكشف عن عبور الكواكب الخارجية والتحقق من صحة المرشحين في المسوحات الأرضية واسعة النطاق
• https://www.jpl.nasa.gov/news/artificial-intelligence-nasa-data-used-to-discover-eighth-planet-circling-distant-star - الذكاء الاصطناعي وبيانات وكالة ناسا المستخدمة لاكتشاف الكوكب الثامن الذي يدور حول نجم بعيد
• https://mcdonaldobservatory.org/news/releases/20171214 – اكتشاف كوكب جديد يكشف عن نظام شمسي بعيد ينافس نظامنا الشمسي
• https://spacewaywonders.com/blogs/news/the-role-of-ai-in-astronomy-and-space-exploration – دور الذكاء الاصطناعي في علم الفلك واستكشاف الفضاء
• https://julienflorkin.com/astrophysics/ai-in-astrophysics/ – الذكاء الاصطناعي في الفيزياء الفلكية: 10 فصول عن التقدم والتحديات الرائدة
• https://www.neilsahota.com/ai-in-space-exploration-rocketing-towards-new-horizons/ - الذكاء الاصطناعي في استكشاف الفضاء: الانطلاق نحو آفاق جديدة
• https://www.aiacceleratorinstitute.com/ai-in-space-exploration/ - الذكاء الاصطناعي في استكشاف الفضاء
• https://primo.ai/index.php?title=Astronomy – علم الفلك – PRIMO.ai
• https://www.universetoday.com/153441/a-machine-learning-algorithm-just-found-301-additional-planets-in-kepler-data/ - خوارزمية التعلم الآلي وجدت للتو 301 كوكبًا إضافيًا في بيانات كيبلر
• https://www.linkedin.com/pulse/ai-sets-out-conquer-exoplanets-arnault-ioualalen?trk=pulse-article_more-articles_related-content-card - ينطلق الذكاء الاصطناعي لغزو الكواكب الخارجية
• https://www.warpnews.org/space/first-ever-exoplanet-discovery-made-by-artificial-intelligence/ – 🔭 أول اكتشاف لكواكب خارج المجموعة الشمسية بواسطة الذكاء الاصطناعي
• https://www.azoquantum.com/Article.aspx?ArticleID=474 – كيف يتم استخدام الذكاء الاصطناعي في استكشاف الفضاء؟
• https://medium.com/@AVIRAL.ASTHANA/role-of-artificial-intelligence-in-modern-astronomy-1520afe4b1b4 – دور الذكاء الاصطناعي في علم الفلك الحديث