Az Európai Unió Horizon 2020 kutatási és innovációs keretprogramján keresztül támogatott NEMESIS (Novel Evolutionary Model for the Early Stars with Intelligent Systems - azaz a csillagfejlődés korai szakaszának újszerű modellezése intelligens rendszerekkel) elnevezésű projekt elsődleges célja, hogy létrehozza az eddig ismert fiatal csillagokat tartalmazó legnagyobb adatbázist. Emellett a kutatók azt tervezik, hogy a mesterséges intelligencia felhasználásával olyan csillagkeletkezési modellt alkotnak, amely túlmutat a jelenleg használt elméleteken, és képes teljesebb magyarázatot adni a modern csillagászati eszközökkel megfigyelt jelenségekre - olvasható az Eötvös Loránd Kutatási Hálózat (ELKH) szerdai közleményében.
 
Az elmúlt évtizedekben a csillagászok számára is egyre több adat vált elérhetővé, és ez az adatmennyiség mára olyan nagy mértékűre nőtt, hogy hétköznapi módszerekkel már kezelhetetlen, így szükségessé vált a "big data", a "machine learning" és a "deep learning" módszerek alkalmazása a csillagászatban is - írják. 
 
Az arcfelismerés esetében a különböző algoritmusok magát az arcot fordítják le a matematika nyelvére, azaz számokra, amik megadják például az arc bal és jobb széle közötti, valamint az állcsúcs és a fejtető közötti távolságot, illetve ezek arányát, a szemek távolságát a fültől. "A csillagászatban használt minták is hasonlók a matematika nyelvén, azonban ezek a csillagok olyan mérhető jellemzőiből adódnak, mint például a különböző hullámhosszokon kibocsátott fényességük, ezek aránya, a bennük fellelhető kémiai elemek vagy a környezetük jellegzetességei. A fiatal csillagok például olyan környezetben találhatók meg, ahol sok a csillagközi por és gáz, hiszen ezekből alakultak ki nem is olyan régen, persze kozmikus időskálán mérve az időt" - magyarázza a közleményben Marton Gábor, a CSFK Konkoly Thege Miklós Csillagászati Intézet tudományos munkatársa, a NEMESIS projekt hazai koordinátora.
 
A közleményben felidézik, hogy a csillagkeletkezés különböző szakaszainak rendszerszintű osztályozása csak az 1980-as években vált lehetővé, az első infravörös megfigyeléseknek és elméleti számításoknak köszönhetően. Ma - több mint 25 évvel azután, hogy a fiatal csillagok besorolását először értelmezték egymással összefüggő fejlődési környezetben - már lényegesen több, újabb és jobb adat áll rendelkezésre. Emellett a kutatóknak jóval fejlettebb számítási eszközei és módszerei vannak, amelyek segítségével újraértékelhetik a kezdeti feltevéseket, és új szempontokat, feltételrendszereket határozhatnak meg.
 
"A legfrissebb bizonyítékok szerint a bolygók a csillagok kialakulásával egy időben elkezdenek formálódni, vagyis a csillag- és a bolygófejlődés nem két egymást követő szakasz, hanem gyorsan, egy időben zajló esemény. A fiatal csillagok mindenre kiterjedő paramétereinek meghatározásában nagy segítséget nyújtott a csillagok sugárzásának hullámhossza alapján működő osztályozás, azonban nagy benne a bizonytalansági tényező a konkrét fejlődési időskálákat illetően. A kutatás során újraértelmezzük a jelenlegi klasszifikációs sémát és a jellegzetes, kiugró időskálákat. Felügyelt és felügyelet nélküli gépi tanulási módszerekkel fogjuk feldolgozni az elérhető adatokat annak érdekében, hogy választ tudjunk adni a csillag- és bolygókeletkezés legaktuálisabb kérdéseire" - számol be a projektről Odysseas Dionatos, a Bécsi Egyetem kutatója, a konzorcium koordinátora.
 
Az egyik oka, hogy most vált aktuálissá a kutatás, hogy sokáig hiányzott a nagyskálájú optikai-infravörös égboltfelmérés. "Az elmúlt évtizedben ez megváltozott, az olyan teljes égboltfelméréseknek köszönhetően, mint amilyen a Gaia, a 2MASS vagy a WISE projekt. A különböző fejlődési időskálák leírásához populációs statisztikákra van szükség, amihez elengedhetetlen fontosságú a nagy elemszámú minta. A Gaia űrtávcső az eddigi működése során 1,8 milliárd objektumot detektált, amelyek között nagy számban fordulhatnak elő fiatal csillagjelöltek" - magyarázza Marc Audard, a Genfi Egyetem munkatársa.
 
A NEMESIS projekt 2021 márciusában indult, és az elkövetkező 4 évre több mint 1,6 millió euró (közel 576 millió forint) összegű támogatást nyert el, melyből a hazai kutatásra 407 384 euró (csaknem 147 millió forint) fordítható.