அண்டப் பொருள்களை வகைப்படுத்துவதில் புரட்சி: நரம்பியல் வலையமைப்பு மூலம் 2.7 கோடி விண்பொருள்கள் வரைபடமாக்கப்பட்டன

பிரபஞ்சத்தை வரைபடமாக்குவதில் புதிய சகாப்தத்தைத் தொடங்கும் செயற்கை நுண்ணறிவு

பல நூற்றாண்டுகளாக, நட்சத்திரங்கள், விண்மீன் திரள்கள் மற்றும் அவற்றைப் பிணைக்கும் பரந்த அண்ட வலை ஆகியவற்றின் மர்மங்களை அவிழ்க்கும் நோக்கில் வானியலாளர்கள் இரவு வானத்தை உற்று நோக்கி வருகின்றனர். இன்று, பிரபஞ்சத்தின் அளவு ஒரு புதிய சவாலை முன்வைக்கிறது: பாரம்பரிய முறைகளால் வேகத்துக்கு ஈடுகொடுக்க முடியாத நிலையில், கோடிக்கணக்கான விண்பொருள்களை எவ்வாறு வகைப்படுத்திப் புரிந்துகொள்வது? சீனாவின் யுன்னான் வானியல் ஆய்வகங்களைச் சேர்ந்த விஞ்ஞானிகள் குழு, வானின் பரந்த பகுதியில் உள்ள நட்சத்திரங்கள், விண்மீன் திரள்கள், குவாசார்கள் என 2.7 கோடிக்கும் அதிகமான அண்டப் பொருள்களை ஏற்கெனவே வகைப்படுத்தியுள்ள செயற்கை நுண்ணறிவு (AI) மாதிரியை உருவாக்கியுள்ளது. இந்தச் சாதனை வானியலில் ஒரு முக்கியத் திருப்புமுனையாக அமைந்து, பிரபஞ்சத்தை ஆராய்ந்து புரிந்துகொள்ளும் முறையை மாற்றியமைக்கும் என எதிர்பார்க்கப்படுகிறது.

அண்டத்தை வகைப்படுத்துவது ஏன் இவ்வளவு சவாலானது?

நவீன வானியல் தற்போது தரவுப் பெருக்கத்தின் மத்தியில் உள்ளது. ஸ்லோன் டிஜிட்டல் ஸ்கை சர்வே (SDSS), கிலோ-டிகிரி சர்வே (KiDS), ஐரோப்பிய விண்வெளி முகமையின் யூக்ளிட் திட்டம் போன்ற மேம்பட்ட தொலைநோக்கிகளும் வானாய்வுகளும் கோடிக்கணக்கான பொருள்களின் படங்களையும் அளவீடுகளையும் பதிவு செய்கின்றன. ஒவ்வொரு புதிய வானாய்வும் டெராபைட் அளவிலான தரவுகளைச் சேர்க்கிறது. இதன் மூலம், பில்லியன் கணக்கான ஒளியாண்டுகள் தொலைவில் உள்ள விண்மீன் திரள்கள், சூப்பர்நோவாக்கள், அண்ட வலையின் சிக்கலான கட்டமைப்பு ஆகியவை வெளிப்படுகின்றன.

பாரம்பரியமாக, ஒரு பொருளின் ஒளியைப் பகுத்து அதன் கலவை, தொலைவு, வகை ஆகியவற்றைக் கண்டறியும் நிறமாலைப் பகுப்பாய்வை வானியலாளர்கள் நம்பியுள்ளனர். இந்த முறை துல்லியமானது; ஆனால் மெதுவானது, அதிக வளங்களையும் கோருகிறது. தற்போது கிடைக்கும் தரவுகளின் அளவைக் கருத்தில் கொண்டால், கையால் அல்லது அரைத் தானியங்கி முறைகளால் மனிதர்கள் அவற்றைச் சமாளிப்பது இயலாத காரியம். இதனால், வானியலாளர்கள் அதிகளவில் ஒளிப்பட அளவியல் வானாய்வுகளை நாடியுள்ளனர். இவை வெவ்வேறு நிறங்களில் (அலைநீளங்களில்) படங்களைப் பதிவு செய்கின்றன; ஆனால் நிறமாலைகளில் உள்ள விரிவான தகவல்களைக் கொண்டிருப்பதில்லை. இவை வேகமானவை என்றாலும், ஒளிப்பட அளவியல் தரவுகள் தெளிவற்றதாக இருக்கலாம்: தொலைதூர விண்மீன் திரள்கள், நட்சத்திரங்கள், குவாசார்கள் பெரும்பாலும் சிறிய, பிரகாசமான புள்ளிகளாகத் தோன்றுவதால், வடிவத்தை மட்டும் வைத்து அவற்றை வேறுபடுத்துவது கடினம்.

மனிதர்களாலும் பாரம்பரிய இயந்திர வகைப்பாட்டாலும் உள்ள வரம்புகள்

வகைப்பாட்டைத் தானியக்கமாக்கும் முயற்சிகளில், முடிவு மரங்கள், ரேண்டம் ஃபாரஸ்ட்கள் போன்ற பாரம்பரிய இயந்திரக் கற்றல் வழிமுறைகளும், அண்மைக் காலங்களில் ஆழ்கற்றல் நரம்பியல் வலையமைப்புகளும் இடம்பெற்றுள்ளன. இந்த முறைகள் ஈர்க்கக்கூடிய துல்லியத்தை எட்டியுள்ளன. எனினும், மங்கலான அல்லது தொலைதூரப் பொருள்களுக்கும், அண்டத் தூசியால் மறைக்கப்பட்ட பகுதிகளுக்கும் சவால்கள் நீடிக்கின்றன. சிலியில் உள்ள லா செரேனா பல்கலைக்கழகத்தின் ஓர் ஆய்வில் கண்டறியப்பட்டபடி, தூசி பெரும்பாலான புலப்படும் ஒளியைத் தடுக்கும் "தவிர்ப்பு மண்டலம்" போன்ற கடினமான பகுதிகளில் இயந்திரக் கற்றல் மாதிரிகள் சிரமப்படலாம். பல அலைநீளத் தரவுகளைக் கொண்டு மாதிரிகளைப் பயிற்றுவிக்காவிட்டால், அவற்றின் பிழை விகிதம் அதிகமாகலாம்.

சீனாவின் செயற்கை நுண்ணறிவு மாதிரி எவ்வாறு செயல்படுகிறது?

யுன்னான் வானியல் ஆய்வகக் குழு உருவாக்கியுள்ள புதிய செயற்கை நுண்ணறிவு மாதிரி குறிப்பிடத்தக்க முன்னேற்றத்தைக் குறிக்கிறது. பொருள்களின் தோற்றத்தை (உருவவியல்) அல்லது நிறத்தை (நிறமாலை ஆற்றல் பரவல், அதாவது SED) மட்டும் சார்ந்திருந்த முந்தைய அணுகுமுறைகளைப் போலல்லாமல், இந்த நரம்பியல் வலையமைப்பு இருவகைத் தகவல்களையும் ஒரே நேரத்தில் பகுப்பாய்வு செய்கிறது. இந்த இரட்டை உள்ளீட்டு வடிவமைப்பு, இல்லையெனில் தவறவிடக்கூடிய நட்சத்திரங்கள், விண்மீன் திரள்கள், குவாசார்கள் ஆகியவற்றுக்கு இடையிலான நுட்பமான வேறுபாடுகளைக் கண்டறிய செயற்கை நுண்ணறிவுக்கு உதவுகிறது.

வானியல் வகைப்பாட்டில் தங்கத் தரநிலையாகக் கருதப்படும் SDSS-இன் 17ஆவது தரவுப் பதிப்பிலிருந்து, நிறமாலை ஆய்வால் உறுதிப்படுத்தப்பட்ட மூலங்களைக் கொண்டு இந்த மாதிரி பயிற்றுவிக்கப்பட்டது. பின்னர், சுமார் 1,350 சதுர டிகிரி வான்பரப்பை உள்ளடக்கிய KiDS வானாய்வின் படங்களைப் பயன்படுத்தி, r = 23 ஒளிப்பொலிவை விடப் பிரகாசமான பொருள்களைக் குறிவைத்துச் சோதிக்கப்பட்டது. விளைவாக, 2.7 கோடிக்கும் அதிகமான பொருள்கள் குறிப்பிடத்தக்க வேகத்துடனும் துல்லியத்துடனும் வகைப்படுத்தப்பட்டன.

பல வானாய்வுகளில் சரிபார்ப்பும் துல்லியமும்

நம்பகத்தன்மையை உறுதிசெய்ய, பிற முக்கிய வானாய்வுகளின் தரவுகளைக் கொண்டும் குழு தனது மாதிரியைச் சரிபார்த்தது. இயக்கங்கள் நன்கு அறியப்பட்ட பெரும்பாலும் நட்சத்திரங்களைக் கொண்ட கையா திட்டத்தின் 34 லட்சம் மூலங்களுக்குப் பயன்படுத்தியபோது, அவற்றில் 99.7% நட்சத்திரங்கள் என செயற்கை நுண்ணறிவு சரியாக அடையாளம் கண்டது. கேலக்ஸி அண்ட் மாஸ் அசெம்ப்ளி (GAMA) வானாய்விலும் இதேபோன்ற வெற்றி கிடைத்தது; விண்மீன் திரள்களிலும் குவாசார்களிலும் 99.7% சரியாக வகைப்படுத்தப்பட்டன. சில சந்தர்ப்பங்களில், பழைய பட்டியல்களில் முன்பு தவறாகப் பெயரிடப்பட்ட பொருள்களை மறுவகைப்படுத்தி, முந்தைய பிழைகளையும் செயற்கை நுண்ணறிவு திருத்தியது.

இந்த உயர்ந்த துல்லியம், மாதிரியின் நம்பகத்தன்மையையும் ஏற்கெனவே உள்ள வானியல் தரவுத்தளங்களை மேம்படுத்தும் அதன் ஆற்றலையும் காட்டுகிறது. இதனால், வானியல் சமூகத்துக்கு இது மதிப்புமிக்க கருவியாக அமைகிறது.

பிரபஞ்ச வரைபடத்தை உருவாக்குவதற்கான உலகளாவிய போட்டியில் செயற்கை நுண்ணறிவு

சீனாவின் இந்த முன்னேற்றம் ஒரு பரந்த போக்கின் பகுதியாகும்: அடுத்த தலைமுறைத் தொலைநோக்கிகளிலிருந்து குவியும் பெருந்தரவை கையாளும் செயற்கை நுண்ணறிவுக் கருவிகளை உருவாக்க உலகெங்கும் வானியலாளர்கள் போட்டியிடுகின்றனர். எடுத்துக்காட்டாக, ஐரோப்பிய விண்வெளி முகமையின் யூக்ளிட் திட்டம், திட்டமிட்ட வானாய்வுப் பரப்பில் ஒரு சிறு பகுதியிலேயே 2.6 கோடி விண்மீன் திரள்களை ஏற்கெனவே வரைபடமாக்கியுள்ளது. அடுத்த ஆறு ஆண்டுகளில், யூக்ளிட் 150 கோடிக்கும் அதிகமான விண்மீன் திரள்களைப் படமெடுத்து, தினமும் சுமார் 100 ஜிகாபைட் தரவுகளை அனுப்பும். இதேபோல், வரவிருக்கும் வெரா ரூபின் ஆய்வகம், கோடிக்கணக்கான புதிய சூப்பர்நோவாக்களையும் பிற தற்காலிக நிகழ்வுகளையும் கண்டறியும் என எதிர்பார்க்கப்படுகிறது. ஸ்விக்கி தற்காலிக நிகழ்வு வசதி வானாய்வில் சூப்பர்நோவாக்களைக் கண்டறிந்து வகைப்படுத்தும் பணியை, பிரைட் டிரான்சியன்ட் சர்வே பாட் (BTSbot) போன்ற செயற்கை நுண்ணறிவுக் கருவிகள் ஏற்கெனவே தானியக்கமாக்கி வருகின்றன.

குடிமக்கள் அறிவியலும் செயற்கை நுண்ணறிவும்: வலிமையான கூட்டணி

சவாலின் அளவைக் கருத்தில் கொண்டு, வானியலாளர்கள் பொதுமக்களின் உதவியையும் நாடுகின்றனர். கேலக்ஸி சூ போன்ற திட்டங்களும் புதிய "கேலக்ஸி சூ: யூக்ளிட்" திட்டமும், விண்மீன் திரள்களின் வடிவங்களை வகைப்படுத்த உலகெங்கும் உள்ள தன்னார்வலர்களை அழைக்கின்றன. எளிய நிகழ்வுகளைக் கையாளும் சூபாட் போன்ற செயற்கை நுண்ணறிவு வழிமுறைகளுடன் இந்தக் குடிமக்கள் அறிவியலாளர்கள் இணைந்து பணியாற்றுகின்றனர்; சிக்கலான படங்களை மனிதர்களின் ஆய்வுக்கு அவை அனுப்புகின்றன. இந்த ஒத்துழைப்பு வகைப்பாட்டை விரைவுபடுத்துவதோடு, செயற்கை நுண்ணறிவுக்குப் பயிற்சியளித்து அதை மேம்படுத்தவும் உதவுகிறது; இதனால் கண்டுபிடிப்புகளைத் தொடர்ந்து பெருக்கும் சுழற்சி உருவாகிறது.

நாசாவின் ஜேம்ஸ் வெப் விண்வெளித் தொலைநோக்கியும் யூக்ளிட் திட்டமும் இந்தக் கலப்பு அணுகுமுறையைச் சார்ந்துள்ளன. ஆயிரக்கணக்கான தன்னார்வலர்களும் மேம்பட்ட செயற்கை நுண்ணறிவும் இணைந்து, இதுவரை தொகுக்கப்பட்டவற்றிலேயே மிகப்பெரியதும் மிக விரிவானதுமான விண்மீன் திரள்களின் உருவவியல் பட்டியல்களை உருவாக்குகின்றன.

செயற்கை நுண்ணறிவு வானியலை எவ்வாறு மாற்றுகிறது?

வானியலில் செயற்கை நுண்ணறிவின் தாக்கம் வேகத்துடன் மட்டும் நின்றுவிடுவதில்லை. ஏராளமான பொருள்களை விரைவாகவும் துல்லியமாகவும் வகைப்படுத்துவதன் மூலம், செயற்கை நுண்ணறிவு விஞ்ஞானிகளுக்கு இவற்றைச் செய்ய உதவுகிறது:

• வளைய விண்மீன் திரள்கள் அல்லது தொலைதூரக் குவாசார்கள் போன்ற அரிய அல்லது வழக்கத்திற்கு மாறான பொருள்கள் கவனிக்கப்படாமல் போகாமல் கண்டறிதல்.
• அண்டக் காலப்போக்கில் விண்மீன் திரள்களின் கட்டமைப்பையும் பரிணாமத்தையும் ஆராய்ந்து, பில்லியன் கணக்கான ஆண்டுகளில் பிரபஞ்சம் எவ்வாறு மாறியுள்ளது என்பதை வெளிச்சமிட்டுக் காட்டுதல்.
• விண்மீன் திரள்களின் வடிவங்களையும் நிலைகளையும், ஈர்ப்பு வில்லை விளைவுகளையும் பகுப்பாய்வு செய்து கரும்பொருள் மற்றும் கருஆற்றலின் பரவலை வரைபடமாக்குதல்.
• முந்தைய பிழைகளைத் திருத்தியும் விடுபட்ட தகவல்களை நிரப்பியும் வானியல் பட்டியல்களின் துல்லியத்தையும் முழுமையையும் மேம்படுத்துதல்.

எடுத்துக்காட்டாக, கேலக்ஸி குரூஸ் திட்டத்தில் செயற்கை நுண்ணறிவும் குடிமக்கள் அறிவியலாளர்களும் இணைந்து அண்மையில் 30,000 அரிய வளைய விண்மீன் திரள்களைக் கண்டறிந்தனர். இந்தப் பெரிய மாதிரி, பொருளுள்ள அறிவியல் பகுப்பாய்வை மேற்கொள்ளப் போதுமானதாக உள்ளது. சுருள் விண்மீன் திரள்கள் மோதுவதால் இத்தகைய அசாதாரண கட்டமைப்புகள் உருவாகின்றன என்பது உள்ளிட்ட புதிய புரிதல்களை இது வழங்கியுள்ளது.

தொழில்நுட்பப் புத்தாக்கங்கள்: பல்வகைத் தரவு மற்றும் படத்துணுக்கு-நிலைப் பகுப்பாய்வு

வானியலுக்கான செயற்கை நுண்ணறிவில் அண்மைக்கால முன்னேற்றங்களில், படத் தரவையும் அட்டவணை வடிவிலான கூடுதல் தரவுகளையும் (ஒளிப்பொலிவு, நிறம், செங்குத்து விலகல் போன்றவை) இணைத்து துல்லியத்தை மேம்படுத்தும் பல்வகை ஆழ்கற்றல் கட்டமைப்புகள் அடங்கும். ஒரே வகைத் தரவை மட்டும் பயன்படுத்தும் மாதிரிகளைவிட இவை சிறப்பாகச் செயல்படுவதோடு, குறைவான பயிற்சிச் சுற்றுகளிலேயே அதிக துல்லியத்தையும் மீட்டெடுப்பு விகிதத்தையும் எட்டுவதாக ஆய்வுகள் காட்டியுள்ளன. யூசி சாண்டா குரூஸில் உருவாக்கப்பட்ட மோர்ஃபியஸ் செயற்கை நுண்ணறிவு போன்ற சில கருவிகள், படங்களைப் படத்துணுக்கு தோறும் பகுப்பாய்வு செய்து, விரிவான உருவவியல் வகைப்பாட்டையும் விண்மீன் திரள்களுக்குள் உள்ள சிக்கலான கட்டமைப்புகளைக் கண்டறிவதையும் சாத்தியமாக்குகின்றன.

வானாய்வுகள் மேலும் அதிக இலக்குகளை நோக்கிச் செல்லும்போது, இந்தப் புத்தாக்கங்கள் இன்றியமையாதவையாகின்றன. எடுத்துக்காட்டாக, ஈர்ப்பு வில்லை ஏற்படுத்தும் விண்மீன் திரள்களின் வடிவங்களில் உள்ள நுட்பமான சிதைவுகளை அளவிட்டு, கரும்பொருளின் முப்பரிமாணப் பரவலை வரைபடமாக்குவதை யூக்ளிட் திட்டம் நோக்கமாகக் கொண்டுள்ளது. மேம்பட்ட செயற்கை நுண்ணறிவு மற்றும் இயந்திரக் கற்றல் நுட்பங்கள் இல்லாமல் இந்தப் பணியைச் செய்வது இயலாது.

வானியலில் செயற்கை நுண்ணறிவின் வரம்புகளும் சவால்களும்

இந்த முன்னேற்றங்கள் இருந்தபோதிலும், செயற்கை நுண்ணறிவு அனைத்துப் பிரச்சினைகளுக்கும் தீர்வல்ல. எந்த மாதிரியின் துல்லியமும் அதன் பயிற்சித் தரவின் தரத்தையும் பல்வகைமையையும் பெரிதும் சார்ந்துள்ளது. ஒரு வானாய்வின் தரவுகளில் பயிற்றுவிக்கப்பட்ட மாதிரிகள், வேறு கருவிகள் அல்லது வானின் வேறு பகுதிகளிலிருந்து வரும் தரவுகளில் அதே அளவு சிறப்பாகச் செயல்படாமல் போகலாம்; குறிப்பாக, தவிர்ப்பு மண்டலம் போன்ற சவாலான சூழல்களில். அண்மைய ஆய்வுகள் சுட்டிக்காட்டியபடி, தூசியால் மறைக்கப்பட்ட பகுதிகளில் அல்லது வழக்கத்திற்கு மாறான பண்புகளைக் கொண்ட பொருள்களை வகைப்படுத்துவதில் இயந்திரக் கற்றல் மாதிரிகள் சிரமப்படலாம்; சில நேரங்களில் கணிசமான எண்ணிக்கையிலான பொருள்களைக் கண்டறியவோ சரியாக அடையாளம் காணவோ தவறலாம்.

மேலும், செயற்கை நுண்ணறிவு மாதிரிகள் தங்கள் பயிற்சித் தரவிலுள்ள சார்புகளைப் பெற்றுக்கொள்ளக்கூடும்; இதனால் அரிய அல்லது எதிர்பாராத நிகழ்வுகள் கவனிக்கப்படாமல் போகலாம். எனவே, செயற்கை நுண்ணறிவின் முடிவுகளைச் சரிபார்ப்பதற்கும் முற்றிலும் புதியவற்றைக் கண்டறிவதற்கும் மனித நிபுணத்துவமும் குடிமக்கள் அறிவியலும் தொடர்ந்து முக்கியப் பங்கு வகிக்கின்றன.

எதிர்காலப் பாதைகள்: மேலும் புத்திசாலித்தனமான, தகவமைந்துகொள்ளும் செயற்கை நுண்ணறிவு

யுன்னான் வானியல் ஆய்வகக் குழுவும் பிற குழுக்களும், மேலும் மங்கலான பொருள்களைக் கையாளவும் வெவ்வேறு பண்புகளைக் கொண்ட புதிய வானாய்வுகளுக்கு ஏற்ப தகவமைத்துக்கொள்ளவும் தங்கள் மாதிரிகளின் திறனை மேம்படுத்தும் பணியில் ஈடுபட்டுள்ளன. இதற்காகப் பல்வகைத் தரவுத்தொகுப்புகளில் பயிற்சியளித்தல், பல அலைநீளத் தரவுகளை ஒருங்கிணைத்தல், நிச்சயமற்ற அல்லது வழக்கத்திற்கு மாறான நிகழ்வுகளை மனிதர்கள் ஆய்வு செய்யும்படி சுட்டிக்காட்டும் வழிமுறைகளை உருவாக்குதல் ஆகியவை மேற்கொள்ளப்படுகின்றன.

செயற்கை நுண்ணறிவு தொடர்ந்து வளர்ச்சியடையும் நிலையில், தொழில்முறை மற்றும் ஆர்வலர் வானியலாளர்களுடனான அதன் கூட்டாண்மை, பிரபஞ்சத்தின் ரகசியங்களை வெளிக்கொணர்வதில் முக்கியப் பங்கு வகிக்கும்.

விரிவான தாக்கங்கள்: கண்டுபிடிப்புகளின் புதிய பொற்காலம்

வானியலில் செயற்கை நுண்ணறிவின் வளர்ச்சி வெறும் தொழில்நுட்பச் சாதனை அல்ல; அறிவியல் மேற்கொள்ளப்படும் முறையில் நிகழும் ஆழமான மாற்றத்தைக் குறிக்கிறது. வகைப்படுத்தலின் சலிப்பூட்டும் பணிகளைத் தானியக்கமாக்குவதன் மூலம், விளக்கவுரை, கோட்பாடு, அறியப்படாதவற்றைத் தேடுதல் ஆகியவற்றில் கவனம் செலுத்த வானியலாளர்களுக்கு செயற்கை நுண்ணறிவு வாய்ப்பளிக்கிறது. மேலும், கண்டுபிடிப்புகளைப் பரவலாக்கி, இணைய இணைப்பு உள்ள எவரும் அண்டத்தை வரைபடமாக்குவதில் பங்களிக்க உதவுகிறது.

யூக்ளிட், ஜேம்ஸ் வெப், வெரா ரூபின் ஆய்வகம் போன்ற திட்டங்கள் இதுவரை இல்லாத அளவிலான தரவுகளை வழங்கத் தயாராக உள்ளன. செயற்கை நுண்ணறிவு, இயந்திரக் கற்றல், குடிமக்கள் அறிவியல் ஆகியவற்றின் கூட்டிணைவு வானியல் கண்டுபிடிப்புகளின் புதிய பொற்காலத்தைத் தொடங்குகிறது. பிரபஞ்சம் பரந்ததும் மர்மமானதுமாக இருந்தாலும், இந்தப் புதிய கருவிகள் அதன் ஆழங்களை ஆராய இதுவரை இல்லாத அளவுக்கு நம்மைத் தயார்படுத்தியுள்ளன.

சுருக்கம்

• சீனாவின் செயற்கை நுண்ணறிவு மாதிரி 2.7 கோடிக்கும் அதிகமான நட்சத்திரங்கள், விண்மீன் திரள்கள், குவாசார்களை வகைப்படுத்தி, வானியல் தரவுப் பகுப்பாய்வில் முக்கிய முன்னேற்றத்தை ஏற்படுத்தியுள்ளது.
• உயர் துல்லியத்தை எட்ட, உருவவியல் மற்றும் நிறமாலை ஆற்றல் பரவல் அம்சங்கள் இரண்டையும் இந்த மாதிரி பயன்படுத்துகிறது; பல வானாய்வுகளின் மூலம் அதன் செயல்திறன் சரிபார்க்கப்பட்டுள்ளது.
• யூக்ளிட், வெரா ரூபின் ஆய்வகம் போன்ற நவீன வானாய்வுகளிலிருந்து கிடைக்கும் பெருந்தரவை கையாள செயற்கை நுண்ணறிவு இன்றியமையாதது.
• கேலக்ஸி சூ போன்ற குடிமக்கள் அறிவியல் திட்டங்கள், சிக்கலான அல்லது தெளிவற்ற பொருள்களை வகைப்படுத்த செயற்கை நுண்ணறிவுடன் இணைந்து செயல்பட்டு, வேகத்தையும் துல்லியத்தையும் மேம்படுத்துகின்றன.
• அரிய பொருள்களைக் கண்டறியவும் பழைய பட்டியல்களில் உள்ள பிழைகளைத் திருத்தவும் செயற்கை நுண்ணறிவு உதவுகிறது; எனினும், கடினமான பகுதிகளிலும் வழக்கத்திற்கு மாறான நிகழ்வுகளிலும் சவால்கள் நீடிக்கின்றன.
• அண்டப் பொருள்களை வகைப்படுத்துவதன் எதிர்காலம், மேலும் புத்திசாலித்தனமான, தகவமைந்துகொள்ளும் செயற்கை நுண்ணறிவு மாதிரிகளையும் இயந்திரங்களுக்கும் மனிதர்களுக்கும் இடையிலான தொடர்ச்சியான ஒத்துழைப்பையும் சார்ந்துள்ளது.