Avrupa’nın en iyi teknik okullarından biri olan ETH Zürih’te bulunan fizik ve bilgisayar bilimcisi ekibi, evrendeki karanlık madde ve karanlık enerji sorununa yeni bir yaklaşım geliştirdi. Makine öğrenme araçlarını kullanarak, kendilerine evrenin haritalarından ilgili bilgilerin nasıl çıkarılacağını öğretmesi için bilgisayar programladılar.
Öncelikle bilmeyenler için karanlık maddenin ne olduğunu açıklayalım:
Karanlık madde, astronomi ve kozmoloji ile ilgili gözlemleri açıklamak için öne sürülen bir madde türüdür. Karanlık madde parçacıkları, doğrudan gözlemlenemez fakat çevrelerinde neden oldukları etkiler sayesinde varlıkları anlaşılabilir. Evrendeki toplam madde miktarının yaklaşık %84’ünün karanlık madde olduğu düşünülüyor. Karanlık maddeyi oluşturan parçacıkların niteliği ise günümüzde halen tartışma konusudur.
Evrenin bugünkü haline nasıl geldiğini öğrenmek ve nihai kaderinin ne olacağını anlamak bilimde karşılaşılan en büyük zorluklardan birisidir. Bulutsuz bir gecede sayısız yıldızın hayranlık uyandıran görüntüsü bize bu sorunun büyüklüğü hakkında fikir veriyor ancak bu sadece hikayenin küçük bir kısmı. Daha derin bilmece ise doğrudan göremediklerimizde yatıyor. Kozmologlar, modellerini geliştirmek için evreni bir arada tutan karanlık maddeyi ve evrenin daha hızlı genişlemesine neden olan karanlık enerjiyi tam olarak bilmek zorundadırlar.
ETH Zürih’te Fizik Bölümü ve Bilgisayar Bilimleri Bölümünden bilim adamları, yapay zeka yoluyla evrenin karanlık madde içeriğini tahmin etmek amacıyla standart yöntemler geliştirmek için güçlerini birleştirdiler. Facebook ve diğer sosyal medya araçları tarafından kulanılan yüz tanıma algoritmalarını kozmolojik veri analizi için kullandılar. Sonuçlar ise Physical Review D bilimsel dergisinde yayınlandı.
Kozmoloji için yüz tanıma
Gece gökyüzünün çekilmiş fotoğraflarında tanınacak yüzler olmasa da kozmologlar, Parçacık Fiziği ve Astrofizik Enstitüsü’nde araştırmacı olan Tomasz Kacprzak şöyle açıklıyor:
“Facebook’un görüntülerde göz, ağız veya kulak bulma algoritmalarını biz karanlık madde ve karanlık enerjinin belirtilerine ulaşmak için kullanıyoruz.”
Karanlık madde doğrudan teleskop görüntülerinde görülemediğinden, fizikçiler, karanlık çeşitlilik de dahil olmak üzere tüm maddelerin Dünya’ya uzak galaksilerden gelen ışınların yolunu hafifçe büktüğüne inanırlar. “Zayıf yerçekimsel kırılma” olarak bilinen bu etki, galaksilerin görüntülerini çok ince bir şekilde bozar, uzaktaki nesneler sıcak havalarda ve farklı sıcaklıklarda hava katmanlarından geçerken sıcak bir günde bulanık görünürler.
Kozmologlar bu çarpıklık sayesinde geriye doğru çalışabilirler ve karanlık maddenin nerede olduğunu gösteren gökyüzünün kütle haritalarını oluşturmak için bu çarpıklığı kullanabilirler. Daha sonra, hangi kozmolojik modelin verilere en uygun olduğunu bulmak için bu karanlık madde haritalarını teorik tahminlerle karşılaştırırlar. Genelde bu, haritaların farklı bölümlerinin birbirleriyle nasıl ilişkili olduğunu açıklayan korelasyon fonksiyonları denilen insan tarafından tasarlanan istatistikler kullanılarak yapılır. Bununla birlikte, bu istatistikler, madde haritalarında karmaşık kalıpları ne kadar iyi bulabilecekleri ile sınırlıdır.
Yapay sinir ağları kendileri öğrenir.
Aynı enstitüden başka bir araştırmacı Alexandre Refreiger,
“Son çalışmalarımızda tamamen yeni bir metot kullandık. Uygun istatistiksel analizi kendimiz yapmak yerine, bilgisayarların işi yapmasına izin veriyoruz.”
diye açıklıyor.
Refrieger’in grubunda olan ve bu çalışmaların baş yazarı bir doktora öğrencisi olan Janis Fluri, derin yapay sinir ağları denilen makine öğrenme algoritmalarını kullandı ve bilgisayara karanlık madde haritalarından mümkün olan en fazla şekilde bilgiyi çıkarmayı öğretti.
İlk adımda, bilim adamları sinir ağlarını, onları evreni simüle eden bilgisayar tarafından üretilen verileri besleyerek eğitmişlerdir. Böylece, kozmolojik bir parametrenin doğru cevabının, örneğin toplam karanlık madde miktarı ile karanlık enerji arasındaki oranın, simüle edilen her karanlık madde haritası için ne olması gerektiğini öğrendiler. Sinir ağı, karanlık madde haritalarını tekrar tekrar analiz ederek, içlerinde doğru özelliklerin aranmasını ve istenen bilginin daha fazlasını elde etmeyi öğrendi.
İnsan yapımı analizden daha doğru.
Bu çalışmanın sonuçları cesaret vericiydi: Sinir ağları, insan yapımı istatistiksel analize dayalı geleneksel yöntemlerle elde edilenlerden %30 daha doğru değerler ortaya koydu. Kozmologlar için bu, teleskop görüntülerinin sayısını arttırarak aynı kesinliğe ulaşma konusunda büyük bir gelişmedir çünkü teleskop görüntülerini arttırmak demek iki kat daha fazla gözlem süresi gerektirir ki bu çok pahalıdır.
Sonunda, bilim adamları KiDS-450 veri setinden gerçek karanlık madde haritalarını analiz etmek için tamamen eğitilmiş sinir ağlarını kullandılar. Fluri şöyle açıklıyor:
“Bu tür makine öğrenme araçları bu bağlamda ilk kez kullanılıyor ve derin yapay sinir ağının verilerinden önceki yaklaşımlardan daha fazla bilgi çıkardığımızı gördük. Kozmolojideki makine öğrenmesinin gelecekte birçok uygulaması olacaktır.”
Bir sonraki adım olarak, kendisi ve meslektaşları yöntemlerini Karanlık Enerji Araştırması gibi daha büyük görüntü kümelerine uygulamayı planlıyorlar. Böylece karanlık enerjinin doğası hakkındaki ayrıntılar daha kozmolojik parametreler ve iyileştirmeler ile beslenecektir.
…
Yorumlar (0) Yorum Yap