گروهی از محققان معتقدند با استفاده از هوش مصنوعی می‌توان عمق بیشتری از فضا را اکتشاف کرده و اطلاعات بهتر و دقیق‌تری به دست آورد. دانشمندان و ستاره‌شناسان همواره سعی دارند راه‌های جدیدی برای مطالعهٔ دقیق‌تر اجرام آسمانی، کهکشان‌ها و سیاره‌ها ایجاد کنند. به همین منظور از فناوری‌های بسیار متنوع و پیشرفته‌ای برای ساخت انواع تجهیزات استفاده می‌کنند.
پرده‌برداری از رازهای آسمان و درک جایگاه سیارهٔ زمین در جهان پهناور نیازمند بازاندیشی در چشم‌اندازهای موجود دارد. دقیقاً به همین دلیل، نه‌تنها اولین ستاره‌شناس‌ها هر شب به آسمان نگاه می‌کردند تا نقشه‌ای دقیق و با جزئیات از آن طراحی کنند؛ بلکه این کار را برای ردیابی حرکت اجرام آسمان، جهت و مدت‌زمان آن انجام می‌دادند. درنتیجهٔ این کار آن‌ها توانستند انواع حرکت‌های زمین را کشف کنند؛ اما برای این کار حجم عظیمی از داده‌ها را جمع‌آوری کردند. مثال مطرح‌شده در بالا، رایانه‌ها را به ابزاری مفید و کاربردی در علم ستاره‌شناسی نوین تبدیل می‌کند. دانشمندان به کمک رایانه، ماهواره یا فضاپیما را برنامه‌نویسی کرده و مدل‌های انجام مأموریت‌ها را توسعه می‌دهند. از طرفی با بهره‌گیری از آن‌ها می‌توان تحلیل‌های دقیقی روی اطلاعات به‌دست‌آمده از نقاط دوردست جهان انجام داد. همچنین هر چه اندازهٔ تلسکوپ بزرگ‌تر می‌شود، عمق بیشتری از فضا قابل‌مشاهده بوده، رازها و داده‌های بیشتری به دست می‌آید.
تلسکوپ بزرگ جزایر فناوری (Gran Telescopio Canarias) که در حال حاضر یکی از بزرگ‌ترین تلسکوپ‌های زمینی به شمار می‌آید، قطری معادل 10.3 متر دارد. به‌علاوه تلسکوپ دیگری در هاوایی در دست‌ساخت است که از قطری معادل 30 متر برخوردار است. این موضوع باعث می‌شود بتوان عمق بیشتری از فضا را مشاهده کرد.
درهرحال برای بزرگ کردن اندازهٔ این تجهیزات محدودیتی مانند محل ساخت وجود دارد؛ اما به نظر می‌رسد استفاده از فناوری هوش مصنوعی احتمالاً می‌تواند این محدودیت را از بین برده و در تجزیه‌وتحلیل اطلاعات و اکتشافات جدید به انسان‌ها کمک کند. به‌گونه‌ای که حتی نقاط بسیار ریز ازنظر قوی‌ترین تلسکوپ‌ها نیز به موضوعی قابل‌درک تبدیل شوند. با استفاده از شبکهٔ عصبی می‌توان بخش‌هایی از فضا که دارای تصاویر و دیدی تار و نامشخص هستند را مشاهده کرد. به این معنی که نقاطی را که تلسکوپ‌ها توانایی دستیابی به آن ندارند، با دقتی بسیار بالا توسط هوش مصنوعی بازسازی می‌شود.
با توجه به اطلاعات منتشرشده در ماهنامه نجوم سلطنتی انگلیس (MNRAS1)، گروهی از محققان موسسهٔ فناوری فدرال زوریخ سوئیس (ETH Zurich)، به رهبری متخصص اختر فیزیکی 2 به نام کوین شاوینسکی (Kevin Schawinski) موفق شده‌اند در این زمینه از هوش مصنوعی استفاده کنند. در سمت چپ تصویر اصلی، وسط تصویر دست‌کاری شده و سمت راست نمونه بازسازی‌شده توسط هوش مصنوعی قرار دارد. محققان توضیح دادند آن‌ها شبکه‌ای عصبی را تولید کرده و به‌گونه‌ای آموزش داده‌اند که می‌تواند کهکشان‌ها را شناسایی کند. الگوریتم ساخته‌شده می‌تواند بر پایهٔ آموزش‌هایی که دیده است، کهکشان‌ها را شناسایی کرده، تصاویر تار و ناواضح را با تمرکز روی نقطهٔ شناسایی‌شده، بازسازی کند تا کیفیت تصویر بالاتر برود. محققان برای دستیابی به فناوری مذکور از روشی به نام «شبکهٔ مولد رقیب 3» (generative adversarial network) در یادگیری ماشینی استفاده کردند که دو شبکهٔ عصبی را برای انجام رقابت، مقابل یکدیگر قرار می‌دهد.
همچنان که دانشمندان رایانه و فیزیک در حال آزمایش روش‌های یادشده هستند، تلسکوپ‌هایی که قدرت آن‌ها به‌صورت روزافزون در حال افزایش است، فرصت‌های بیشتری را برای شبکه‌های عصبی ایجاد می‌کنند تا دیدگاه بهتری از جهان به دست آورند. به‌عنوان‌مثال ادعا می‌شود تلسکوپ فضایی جیمز وب (JWST4) می‌تواند در مورد برخی از قدیمی‌ترین کهکشان‌های موجود در جهان که تنها چند صد میلیون سال بعد از انفجار بیگ‌بنگ تشکیل شده‌اند، اطلاعاتی را ارائه بدهد. شاوینسکی گفت: «حتی جیمز وب نیز در پی بردن به رازهای کهکشان راه شیری –که از عمر کمی برخوردار است- مشکل دارد؛ اما استفاده از شبکهٔ عصبی به ما کمک می‌کند تا بتوانیم درک بهتری از تصاویر پیدا کنیم.»
شاوینسکی اشاره کرد شبکهٔ عصبی آن‌ها بر پایهٔ شناخت امروزی انسان‌ها از کهکشان‌ها آموزش دیده است. درنتیجه برای اینکه هوش مصنوعی آن‌ها بتواند کهکشان راه شیری را تشخیص بدهد، در گام اول باید به آن نشان می‌دادند که کهکشان چه شکلی است. وی افزود: «البته کهکشان ما با نمونه‌های بسیار قدیمی‌تر و متحول شده بسیار متفاوت است؛ بنابراین احتمال اینکه ما دست آورد یادشده را بر اساس کهکشانی اشتباه آموزش داده باشیم، وجود دارد. به همین دلیل باید مراقب صحت مواردی این فناوری تفسیر می‌کند باشیم.» نکتهٔ یادشده تا زمانی که الگوریتم یادگیری ماشینی به‌کاررفته پیشرفت کرده، گسترش یابد و بتوان در کارهای پیچیده‌تری از آن استفاده کرد، از اهمیت بسیار بالایی برخوردار است.
سی ژانگ (Ce Zhang) مهندس علوم رایانهٔ موسسهٔ فناوری فدرال زوریخ سوئیس گفت: «اگر ما به‌اندازه کافی مراقب بوده و کارهای یادشده را به‌درستی انجام دهیم، بهره بردن از شبکهٔ عصبی نباید تفاوت چندانی با نحوهٔ استفاده از روش‌های آماری کلاسیک امروزی ایجاد کند.»