Làm sao biết vệt sáng từ kính thiên văn là thiên hà hay lỗi dữ liệu?

Một vệt sáng trong dữ liệu không tự động được xem là thiên hà. Các nhà thiên văn phải xác định nó có thuộc quang phổ của một vật thể thật hay chỉ là “artifact”, tức dấu hiệu ngoài ý muốn do tia vũ trụ, ánh sáng phản chiếu, máy ảnh hoặc thiết bị điện tử tạo ra. Với lượng quan sát rất lớn, AI giúp nhận diện những vùng đáng ngờ, còn con người kiểm tra các phán đoán ấy để cải thiện cách máy phân loại dữ liệu. [1]

Công việc này không chỉ nhằm làm cho ảnh trông sạch hơn. Khi quang phổ được tách khỏi lỗi, các nhà khoa học mới có cơ sở tốt hơn để đo khoảng cách tới thiên hà và khai thác thông tin về những vật thể xa xôi. Vì vậy, câu hỏi “vệt sáng này có thật không?” nằm ngay ở đầu một chuỗi phân tích dẫn tới những vấn đề lớn hơn, trong đó có sự giãn nở của vũ trụ. [1]

Một vệt sáng phải vượt qua phép kiểm tra nào?

Điều kính thiên văn ghi lại trước hết là ánh sáng rơi lên bộ dò, không phải một danh sách đã được sắp sẵn thành “thiên hà”, “ngôi sao” và “lỗi”. Một vùng sáng chỉ là quan sát ban đầu. Việc gọi nó là quang phổ của thiên hà hay artifact là bước diễn giải tiếp theo, dựa trên hình dạng dữ liệu và hiểu biết về những dấu hiệu mà hệ thống quan sát có thể tạo ra. [1]

Có thể hình dung một ví dụ đời thường: trong ảnh chụp qua cửa kính, một đốm sáng có thể nằm ngoài đường phố, nhưng cũng có thể là ánh đèn trong phòng phản chiếu lên kính. Chỉ nhìn thấy đốm sáng chưa đủ để quyết định. Người xem cần xét nó có phù hợp với cảnh phía ngoài hay đi cùng các dấu hiệu của phản chiếu. Dữ liệu kính thiên văn cũng đòi hỏi sự phân biệt giữa tín hiệu cần tìm và dấu vết do quá trình ghi nhận tạo nên.

Quang phổ cho biết điều gì?

Euclid và Nancy Grace Roman Space Telescope sử dụng máy quang phổ, một thiết bị hoạt động gần giống lăng kính: nó tách ánh sáng từ mỗi thiên hà thành một dải màu. Mẫu ánh sáng thu được gọi là quang phổ. Thay vì chỉ cho biết một vật thể sáng đến đâu, quang phổ tạo ra một cấu trúc để các nhà khoa học phân tích khoảng cách của thiên hà, các loại sao trong đó và cả thông tin liên quan đến hố đen siêu khối lượng ở trung tâm. [1]

Điểm quan trọng là nhà thiên văn không tìm một màu đơn lẻ rồi lập tức kết luận. Thứ có giá trị là mẫu thông tin trải trên quang phổ. Nếu một dấu vết không thuộc ánh sáng của vật thể nhưng chen vào vùng dữ liệu ấy, nó có thể làm sai phần mẫu được dùng cho phân tích. Làm sạch dữ liệu vì thế có nghĩa là bảo vệ cấu trúc cần đo, chứ không phải tùy ý xóa những điểm trông khác thường. [1]

Lỗi có thể giả dạng tín hiệu ra sao?

Artifact là tên gọi chung cho tín hiệu không đến từ vật thể thiên văn thật như thiên hà hoặc ngôi sao. NASA nêu một số nguồn gây lỗi: ánh sáng lóe do phản chiếu trên vỏ kính thiên văn, tia vũ trụ đập vào bộ dò, đặc tính riêng của máy ảnh hoặc hệ thống điện tử, cùng những nguyên nhân khác. Các dấu vết này xuất hiện ngay trong dữ liệu nên có thể bị nhầm với phần quan sát cần giữ lại. [1]

Không phải mọi lỗi đều giống nhau, bởi chúng hình thành theo những con đường khác nhau. Ánh sáng phản chiếu liên quan đến ánh sáng đi lạc vào phép đo; tia vũ trụ tác động trực tiếp lên bộ dò; còn máy ảnh và thiết bị điện tử có thể để lại dấu hiệu của chính hệ thống ghi nhận. Việc gom chúng dưới tên artifact thuận tiện cho bước sàng lọc, nhưng không có nghĩa chúng là cùng một hiện tượng vật lý. [1]

Một ví dụ gần gũi là vết bẩn trên ống kính điện thoại và vùng chói do Mặt Trời. Cả hai đều che khuất hoặc làm biến dạng ảnh, nhưng nguyên nhân không giống nhau: một thứ nằm trên đường thu hình, thứ kia đến từ ánh sáng mạnh. Người xử lý ảnh cần nhận ra loại dấu vết trước khi quyết định phần nào không phản ánh đúng cảnh được chụp.

Vì sao AI vẫn cần con người gắn nhãn?

AI có thể học cách nhận diện artifact tương tự cách một hệ thống nhận diện khuôn mặt học từ nhiều trường hợp đã biết. Tuy nhiên, dữ liệu từ thiết bị tương đối mới đặt ra khó khăn vì máy chưa phải lúc nào cũng phân biệt chính xác. Nếu các ví dụ huấn luyện còn thiếu hoặc cách hướng dẫn chưa đủ tốt, một vùng hợp lệ có thể bị đánh dấu là lỗi, trong khi artifact thật lại được bỏ qua. [1]

Artifact InSPECtor, dự án được NASA giới thiệu vào tháng 9/2026, đưa con người vào khâu kiểm tra này. Người tham gia xem dữ liệu thật từ Euclid, học cách nhận biết artifact rồi xác nhận AI đã đánh dấu đúng hay chưa. Những đánh giá đó được dùng để cải thiện hướng dẫn cho công cụ AI. Dự án dự kiến bổ sung dữ liệu từ Nancy Grace Roman Space Telescope từ đầu năm 2027. [1]

“Gắn nhãn” trong trường hợp này có thể hiểu là biến nhận định của người quan sát thành phản hồi mà máy sử dụng được: vùng nào có vẻ không hợp lệ, phán đoán nào của AI được chấp nhận và phán đoán nào cần sửa. Con người không thay kính thiên văn thực hiện phép đo, cũng không tự tạo thêm tín hiệu; họ giúp hệ thống phân loại học cách xử lý những gì thiết bị đã ghi nhận. [1]

Dữ liệu sạch liên quan gì đến sự giãn nở vũ trụ?

Euclid đang thu ánh sáng từ hàng triệu thiên hà xa. Nancy Grace Roman Space Telescope được kỳ vọng quan sát một lượng thiên hà tương tự sau khi bắt đầu hoạt động khoa học, nhưng ở các khoảng cách và mật độ phân bố trên bầu trời khác. Hai đài quan sát bổ sung cho nhau trong mục tiêu nghiên cứu sự giãn nở của vũ trụ và năng lượng tối. [1]

Mối liên hệ giữa một điểm lỗi và câu hỏi vũ trụ học đi qua nhiều bước. Artifact trước hết phải được nhận diện để phần quang phổ hữu ích không bị lẫn với tín hiệu ngoài ý muốn. Quang phổ sau đó mới được dùng để tìm hiểu khoảng cách và đặc điểm của thiên hà. Khi quá trình này được áp dụng cho lượng quan sát rất lớn, chất lượng của bước phân loại ban đầu ảnh hưởng trực tiếp đến độ tin cậy của các phép phân tích tiếp theo. [1]

Bởi vậy, một vệt sáng đáng ngờ không phải chi tiết vụn vặt có thể bỏ qua, cũng chưa phải phát hiện chỉ vì nó nổi bật. Nó là một câu hỏi cần được phân loại đúng chỗ. Sự phối hợp giữa bộ dò, máy quang phổ, AI và đánh giá của con người biến dữ liệu thô thành thông tin có thể dùng để khảo sát các thiên hà xa và đặt chúng vào bức tranh rộng hơn về vũ trụ. [1]