ภาพถ่ายแรกของ “Supermassive Black Hole” และบทบาทสำคัญของ AI ในการเติมเต็มข้อมูลที่หายไป


Share this article

ภาพ Black Hole ที่สร้างด้วย CGI ในภาพยนตร์เรื่อง Interstellar (รูปจาก: © Paramount Pictures)

ย้อนกลับไปในปี 2017 ในที่งาน TEDxBeaconStreet นี่คือคำกล่าวของ Katie Bouman หนึ่งในสมาชิกของทีม Event Horizon Telescope team และยังเป็นนักวิทยาศาสตร์ผู้พัฒนา algorithm ที่ใช้ในกระบวนการการถ่ายรูปหลุมดำหรือ Black Holes ที่รู้จักกันในชื่อ Continuous High-resolution Image Reconstruction using Patch priors (CHIRP)

ในภาพยนตร์เรื่อง Interstellar เราได้เห็นหลุมดำขนาดใหญ่แบบใกล้ ๆ ท่ามกลางฉากหลังที่เป็นแสงสว่างจ้าของกลุ่มแก๊ส แรงโน้มถ่วงที่รุนแรงของมัน ทำให้แสงบิดโค้งงอเป็นวงแหวน หากแต่ว่ามันเป็นเพียงภาพกราฟฟิกจากการตีความตามจินตนาการของเหล่านักฟิสิกส์จำนวนหนึ่งเท่านั้น อย่างไรก็ตามคุณอาจประหลาดใจที่รู้ว่า เราอาจได้เห็นภาพแรกของหลุมดำในอีกสองสามปีข้างหน้า

ในช่วงเดือนที่ผ่านมาหลาย ๆ ท่านคงได้เห็นข่าวที่สร้างเสียงฮือฮาให้กับวงการวิทยาศาสตร์ อย่างการปล่อยภาพของ Supermassive Black Hole (หรือเรียกสั้น ๆ ว่า Black Hole) ภาพแรกที่มนุษย์สามารถถ่ายได้โดย Event Horizon Telescope team บทความนี้จะพาทุกท่านไปรู้จักกับเบื้องหลังของการถ่ายภาพ Black Hole และจะพูดถึงเบื้องหลังการประมวลผลข้อมูลในแบบเข้าใจง่าย ๆ กัน

ก่อนอื่นเรามาทำความเข้าใจกันก่อนว่า ความยากในการถ่าย ภาพ Black Hole นั้นคืออะไร?

นักวิทยาศาตร์หลายท่านเคยให้ความเห็นว่าการถ่ายภาพ Black Hole ซึ่งเป็นวัตถุที่อยู่ไกลออกไปจากโลกเราอย่างมากนั้น จำเป็นจะต้องใช้กล้อง telescope ที่มีขนาดใหญ่เท่ากับโลกทั้งใบเลยทีเดียว!

จนกระทั่ง Katie Bouman และสมาชิกในทีมได้นำเสนอความเป็นไปได้ที่จะใช้ CHIRP เพื่อใช้ประมวลผลรูปจากสัญญาณที่ได้จากกล้อง Radio telescope ทั่วโลกที่ร่วมมือกันภายใต้ชื่อ Event Horizon Telescope (EHT) ซึ่งถือเป็นความร่วมมือระดับนานาชาติเพื่อภารกิจในการถ่ายภาพ Black Hole

Katie Bouman และ Hard drive stack ที่ใช้ในการเก็บข้อมูลทั้งหมดจาก EHT

กล้องแต่ละตัวในเครือข่ายทั่วโลกทำงานร่วมกันโดย synchronize กันผ่านนาฬิกาอะตอมที่มีความแม่นยำสูงมาก และเก็บเป็นข้อมูลขนาดรวมกันหลายพันเทราไบต์ ซึ่งข้อมูลทั้งหมดนี้จะถูกนำมาประมวลผลต่อที่แมสซาชูเซสเพื่อสร้างเป็นรูปของ Black Hole ต่อไป

ข้อมูลที่ขาดหายไปของ EHT และการแก้ปัญหาด้วย AI

แต่เนื่องจากข้อมูลที่ได้จาก EHT นั้นเป็นเพียงแค่ข้อมูลสัญญาณภาพบางส่วนของ Black Hole เท่านั้น Katie ได้เปรียบเทียบไว้ว่า หากเปลี่ยนโลกทั้งใบเป็นเซนเซอร์สำหรับรับสัญญาณภาพ (เหมือนเปลี่ยนโลกเป็น Disco ball!) เราอาจจะเก็บข้อมูลทั้งหมดมาได้

ภาพแสดงส่วนของข้อมูลสัญญาณที่สามารถรับได้โดย EHT

แต่ในความเป็นจริงนั้น ก็มีเพียงข้อมูลที่ได้จาก EHT หรือก็คือจะมีข้อมูลภาพที่ขาดหายไปบางส่วน และนี่ก็คือจุดที่ Katie เข้ามาเติมเต็มให้กับทีม เพื่อเติมเต็มข้อมูลที่ขาดหายไปในสร้างภาพถ่าย Black Hole ขึ้นมา

ปัญหานี้ถูกแก้ด้วยเทคนิคที่ Katie คิดค้นขึ้นมา มีชื่อว่า CHIRP ทำให้สามารถรวมข้อมูลจาก EHT และประติดประต่อส่วนของข้อมูลภาพที่ขาดหายไป โดย Katie ได้ยกตัวอย่างง่าย ๆ เปรียบเทียบกับการทำงานของเจ้าหน้าที่ตำรวจ ที่ต้องร่างภาพของคนร้ายจากคำบรรยายที่จำกัด โดยประกอบชิ้นส่วนต่างๆเข้าด้วยกัน ซึ้งต้องใช้ความรู้เรื่องโครงสร้างของใบหน้า จะเห็นได้ว่าเหมือนกับการที่มีข้อมูลภาพ Black Hole อย่างจำกัดจาก EHT นั่นเอง

และเนื่องจากผลลัพธ์ที่เป็นไปได้มีจำนวนที่นับไม่ถ้วน เราจึงต้องหาวิธีที่จะตัดสินใจเลือกรูปที่ดีที่สุดในเซทนั้นออกมา โดยใช้การจัดลำดับตามความน่าจะเป็นที่ดีที่สุด ที่จะเป็นรูปของ Black Hole เปรียบเทียบง่ายๆ เช่นหากต้องการจะหาว่ารูปไหนน่าจะเป็นรูปที่อยู่บน Facebook คำตอบที่เราคาดหวังจากมันก็คงจะเป็นรูป selfie ทางด้านขวาสุด ไม่ใช่รูปที่เป็น noise แบบรูปด้านซ้าย

แต่ในกรณีของ Black Hole นั้น มันคือความท้าทายอย่างมาก เพราะว่าไม่มีใครเคยเห็นภาพจริงของมันมาก่อน แล้วอะไรหละที่น่าจะเป็นรูป Black Hole มากที่สุด เราอาจจะใช้ภาพต้นแบบจากแบบจำลองของ Einstein มาใช้สอนโมเดลที่จะสร้างขึ้นมา แต่นั่นอาจจะก่อปัญหาอื่นตามมา ซึ่งก็คือการเกิด bias ของการพยากรณ์รูป Black Hole และสุดท้ายผลลัพธ์ก็อาจจะกลายเป็นสิ่งที่เราคาดหวังเอาไว้ แทนที่จะเป็นภาพที่แท้จริงของมัน

แล้วเราจะเชื่อมั่นใน algorithm นี้ได้แค่ไหนกัน

นี่คงเป็นคำถามที่ตามมาอย่างเลี่ยงไม่ได้ โดย Katie ทดลองแก้ปัญหานี้ด้วยการสร้างโมเดลในการทำ image reconstruction (ตัวอย่างโดย NVIDIA) รูป Black Hole ขึ้นมาจำนวนหนึ่ง โดยใช้ feature ภาพที่ต่างชนิดกัน แล้วทดสอบว่า feature ที่ต่างกันจะมีผลต่อการสร้างภาพขึ้นมาใหม่อย่างไร ถ้าผลของออกมาคล้ายๆกัน เราก็เริ่มมั่นใจได้ว่ามันไม่ได้มี bias ที่มากเกินไป เหมือนกับว่า ถ้าให้เจ้าหน้าตำรวจ 3 คน ร่างภาพของคนร้าย ผลออกมาคล้ายกัน เราก็ค่อนข้างมั่นใจได้ว่าพวกเขาไม่ได้มี bias ส่วนตัวในการวาดภาพนั้นออกมา

ด้วยหลักการเดียวกัน Katie สร้างโมเดล ขึ้นมา 3 แบบ โดยใช้รูปภาพที่มี feature ต่างกันเป็นข้อมูลที่ใช้สอนสำหรับสร้างโมเดล รูปทั้ง 3 รูป ประกอบด้วย

1. รูปจากแบบจำลองของ Black Hole

2. รูปภาพเชิงดาราศาสตร์อื่น ๆ ที่ไม่ใช่ Black Hole และ

3. รูปภาพอื่น ๆ ทั่วไปในชีวิตประจำวัน

READ  การนำเทคโนโลยี IOT และการวิเคราะห์ข้อมูลมาประยุกต์ใช้ในกีฬาฟุตบอล
Image reconstruction model — ที่สร้างจาก CHIRP algorithm

แน่นอนว่าเมื่อได้ผลลัพธ์ที่ออกมาคล้ายกันจากทั้ง 3 โมเดลนั่น ทำให้ค่อนข้างมั่นใจได้ว่ามันเป็นคำตอบที่ถูกต้องของการเติมส่วนที่หายไปของ EHT และทำให้เรามั่นใจได้ว่านี่น่าจะเป็นรูปที่แท้จริงของ Black Hole แบบที่ควรจะได้เห็นกัน จากความพยายามนี้ทำให้ได้เห็นถึงความสามารถของ AI ในแบบที่หลายท่านอาจจะคาดไม่ถึงอีกด้วย ซึ่งถือว่าเป็นเรื่องที่น่ายินดีมากสำหรับวงการวิทยาศาสตร์เลยทีเดียว

บรรยากาศขณะทำการ reconstruct ภาพ Black Hole

ขออนุญาติจบ บทความนี้ด้วยหนึ่งในประโยคที่คุณ Katie Bouman ทำให้ผมรู้สึกประทับใจมาก ๆ จากงาน TEDxBeaconStreet ครับ

“ ฉันอยากผลักดันให้ทุก ๆ คนช่วยกันขยายขอบเขตของวิทยาศาสตร์ แม้ว่าในตอนแรกมันอาจจะดูเหมือนเป็นปริศนาเช่นเดียวกับเจ้า Black Hole! ” — Katie Bouman

สุดท้ายนี้ ถ้าหากท่านใดมีข้อคิดเห็นมาแลกเปลี่ยนกันก็ยินดีครับ และที่สำคัญหากมีข้อผิดพลาดประการใด ก็ยินดีรับคำติชมและคำแนะนำต่าง ๆ ครับ รบกวนด้วยครับ

 


ลงทะเบียนรับข่าวสาร

ไม่พลาดทุกการอัพเดทจาก Big Data Experience Center

Big Data Experience Center (BX)

ชั้น 14 อาคาร Knowledge Exchange Center (KX)
110/1 ถนนกรุงธนบุรี, แขวงบางลำภูล่าง เขตคลองสาน กรุงเทพฯ 10600
อีเมล์: [email protected]

ABOUT

SERVICES