Institute for Advanced Study, Flatiron Enstitüsü ve ortaklarındaki astrofizikçiler, yapay zekâ kullanarak galaktik devasa kümelerin kütlesini belirlemek için daha doğru bir yöntem geliştirdiler. Yapay zekâ, bilim insanlarının mevcut bir denkleme basit bir terim ekleyerek daha önce elde ettiklerinden çok daha iyi kütle tahminleri elde edebileceklerini keşfetti.
Bulgularını 17 Mart 2023’te Proceedings of the National Academy of Sciences dergisinde yayınlayan astrofizikçilere göre, yeni tahminler araştırmacıların evrenin temel özelliklerini daha hassas bir şekilde hesaplamalarına olanak tanıyacak.
New York’taki Flatiron Enstitüsü’nün Hesaplamalı Astrofizik Merkezi’nde (CCA) araştırmacı bilim insanı ve çalışmanın ortak yazarlarından Francisco Villaescusa-Navarro, “Bu çok basit bir şey; işin güzelliği de bu” diyor. “Bu kadar basit olmasına rağmen, bu terim daha önce bilinmiyordu. İnsanlar onlarca yıldır bunu arıyorlardı ama henüz başaramadılar.
CCA, Princeton Üniversitesi, Cornell Üniversitesi ve Harvard & Smithsonian Astrofizik Merkezi’nden araştırmacılarla birlikte Princeton, New Jersey’deki Institute for Advanced Study’den Digvijay Wadekar projeye öncülük etti.
Nerede ve ne kadar madde olduğunu bilmek kozmosu daha iyi anlamanıza yardımcı olacaktır. Evrendeki en büyük nesneler, yüzlerce ila binlerce galaksinin yanı sıra plazma, sıcak gaz ve karanlık madde içerebilen galaksi kümeleridir. Bu unsurlar kümenin yerçekimi tarafından birbirine bağlanır. Kozmosun başlangıcını ve devam eden evrimini belirlemek için bu tür galaksi kümelerini anlamak çok önemlidir.
Bir galaksi kümesinin toplam kütlesi, onun özelliklerini tanımlamada tartışmasız en önemli faktördür. Ancak bu miktarı tahmin etmek zordur çünkü galaksiler bir teraziye konularak “tartılamaz”. Bir kümenin kütlesinin önemli bir bölümünü oluşturan karanlık maddenin görünmemesi de bu zorluğu artırıyor. Bunun yerine, bir kümenin kütlesini diğer ölçülebilir özelliklerden çıkarıyorlar.
1970’lerin başında Rashid Sunyaev ve Yakov B. Zel’dovich galaksi kümelerinin kütlelerini hesaplamak için yeni bir yöntem geliştirdiler. Rashid Sunyaev şu anda Institute for Advanced Study Doğa Bilimleri Okulu’nda seçkin bir misafir profesördür. Yaklaşımları, madde yerçekimi tarafından sıkıştırıldıkça elektronlarının geri itildiği fikrine dayanmaktadır.
Elektronlar ve ışığın fotonları arasındaki etkileşim, elektronlar üzerindeki bu basınçla değişir. Etkileşim, Büyük Patlama’nın artçı ışımasından gelen fotonların sıkıştırılmış malzemeye çarpmasıyla yeni fotonlar üretir. Bu fotonların özellikleri malzemenin yerçekimi tarafından ne kadar sıkı sıkıştırıldığına, bu da galaksi kümesinin kütlesine bağlıdır. Astrofizikçiler fotonları sayarak kümenin kütlesini belirleyebilirler.
Foton özelliklerindeki değişiklikler galaksi kümesine bağlı olduğundan, bu “entegre elektron basıncı” kütle için mükemmel bir ikame değildir. Wadekar ve meslektaşları, “sembolik regresyon” adı verilen bir makine öğrenimi teknolojisinin daha etkili bir strateji ortaya çıkarabileceğini varsaydı. Hangi denklemin verilere en iyi uyduğunu belirlemek için, program esasen farklı değişkenlerle çeşitli matematiksel operatör kombinasyonlarını deniyor.
Wadekar ve meslektaşları, yapay zeka algoritmalarını birkaç galaksi kümesini içeren son teknoloji bir evren simülasyonuyla “beslediler”. Daha sonra, CCA araştırma görevlisi Miles Cranmer, kütle tahminlerini iyileştirecek diğer değişkenleri aramak ve tanımlamak için algoritmalarını kullandı.
Yapay zeka, insan analistlerin gözden kaçırabileceği yeni parametre kombinasyonlarını keşfetmek için kullanışlıdır. Örneğin, insan analistler için bir veri kümesindeki iki temel unsuru tespit etmek basit olsa da, yapay zeka büyük miktarda veriyi daha iyi sıralayabilir ve sıklıkla beklenmedik katkıda bulunan faktörleri ortaya çıkarabilir.
Wadekar’a göre, derin sinir ağları şu anda makine öğrenimi topluluğunun ana odak noktası. Bunlar inanılmaz derecede güçlüdür, ancak bir dezavantajı neredeyse tamamen opak olmalarıdır. İçlerinde olup bitenler bizim kavrayışımızın ötesinde. Fizikte herhangi bir şey iyi sonuçlar verdiğinde, bunun nedenini bilmek isteriz. Sembolik regresyon, belirli bir veri kümesini incelediği ve basit denklemler şeklinde anlaşılması kolay matematiksel ifadeler ürettiği için avantajlıdır. Anlaşılması kolay bir model sunuyor.
Araştırmacıların sembolik regresyon programı, mevcut denkleme tek bir yeni terim ekleyerek, onlara galaksi kümesinin kütlesini daha doğru tahmin edebilen yeni bir denklem sağladı. Wadekar ve arkadaşları daha sonra yapay zeka tarafından üretilen bu denklemden geriye doğru çalışarak fiziksel bir açıklama keşfettiler. Galaksilerin merkezlerindeki süper kütleli kara deliklerin varlığı ile kütle çıkarımlarının daha az doğru olduğu galaksi kümelerinin diğer bölgelerinin ilişkili olduğunu keşfettiler. Revize edilmiş denklemleri, hesaplamalardaki karmaşık çekirdeklerin önemini azaltarak kütle tahminlerini geliştirdi. Galaksi kümesi şekil olarak bir çöreğe benzemektedir.
Yeni formül, daha büyük yanlışlıklara neden olabilen çöreğin merkezindeki jöleyi ortadan kaldırıyor ve bunun yerine daha doğru kütle çıkarımları için hamurlu kenarlara odaklanıyor.
Araştırmacılar, CCA’nın CAMELS paketindeki on binlerce simüle edilmiş evren üzerinde yapay zeka tarafından keşfedilen denklemi test etti. Halihazırda kullanılan denklemle karşılaştırıldığında, denklemin galaksi kümesi kütle tahminlerindeki değişkenliği büyük kümeler için yaklaşık yüzde 20 ila 30 oranında azalttığını keşfettiler.
Yeni denklem, gözlemsel astronomlara yaklaşan galaksi kümesi araştırmalarında tespit ettikleri nesnelerin kütlelerini daha iyi anlamalarını sağlayabilir. Wadekar’a göre, yakın gelecekte galaksi kümelerini hedef alan bir dizi araştırma yapılması bekleniyor.
Simons Gözlemevi, Stage 4 CMB deneyi ve eROSITA X-ray araştırması bunlara birkaç örnektir. Yeni denklemleri kullanarak bu araştırmalardan elde edilen bilimsel getiriyi artırabiliriz.
Wadekar ayrıca bu çalışmanın astrofizikte sembolik regresyon kullanımının sadece başlangıcı olacağını öngörüyor. Wadekar, “Sembolik regresyonun çeşitli astrofiziksel soruların yanıtlanmasında oldukça faydalı olacağına inanıyoruz. İnsanlar astronomide sıklıkla iki parametre arasında doğrusal bir uyum kurar ve diğer tüm faktörleri göz ardı eder. Ancak bu teknolojiler bugün daha fazlasını yapmanıza olanak sağlıyor.
Şu anda var olan iki parametreli güç yasalarının sınırlamalarının ötesine geçmek için sembolik regresyon ve diğer yapay zeka yöntemlerini kullanarak dış gezegenler gibi küçük astrofiziksel sistemleri evrendeki en büyük nesneler olan galaksi kümelerine kadar keşfedebiliriz.
Kaynak: eurekalert.org/news
