Astronomi tamamen verilerle ilgilidir. Evren büyüyor ve onun hakkında sahip olduğumuz bilgi miktarı da artıyor. Ancak gelecek nesil astronominin en büyük zorluklarından bazıları, topladığımız tüm verileri nasıl inceleyeceğimizde yatmaktadır.
Bu zorlukların üstesinden gelmek için gökbilimciler, bir sonraki büyük atılımları hızla aramak için yeni araçlar oluşturmak için makine öğrenimi ve yapay zekaya yöneliyor. İşte yapay zekanın gökbilimcilere yardım etmesinin dört yolu.
1. Gezegen avcılığı
Bir gezegen bulmanın birkaç yolu vardır, ancak en başarılı olanı geçişleri incelemektir. Bir ötegezegen ana yıldızının önünden geçtiğinde, görebildiğimiz ışığın bir kısmını engeller.
Gökbilimciler, bir ötegezegenin birçok yörüngesini gözlemleyerek, gezegenin kütlesi, büyüklüğü ve yıldızından uzaklığı gibi özelliklerini belirlemek için kullanabilecekleri ışıktaki düşüşlerin bir resmini oluştururlar. NASA’nın Kepler uzay teleskobu, gezegenlerin neden olduğu belirgin düşüşlere dikkat ederek, aynı anda binlerce yıldızı izleyerek bu tekniği büyük bir başarı için kullandı.
İnsanlar bu düşüşleri görmekte oldukça iyidir, ancak bu, geliştirilmesi zaman alan bir beceridir. Nasa’nın ( Transiting Exoplanet Survey Satellite ) gibi yeni ötegezegenler bulmaya yönelik daha fazla görevlere insanlar yetişemiyor. Yapay zekânın devreye girdiği yer burasıdır.
Verileri zamanla sıralı bir dizi olarak analiz eden zaman serisi analiz teknikleri, ötegezegenlerin sinyallerini %96’ya varan doğrulukla başarılı bir şekilde tanımlamak için bir tür yapay zeka ile birleştirildi.
2. Yerçekimi dalgaları
Zaman serisi modeller sadece ötegezegen bulmak için değil, aynı zamanda evrendeki en feci olayların sinyallerini bulmak için de mükemmeldir – kara delikler ve nötron yıldızları arasındaki birleşmeler.
Bu inanılmaz derecede yoğun cisimler içe doğru düştüğünde, uzay-zamanda Dünya’da zayıf sinyaller ölçülerek tespit edilebilecek dalgalanmalar gönderirler. Yerçekimi dalgası dedektörü işbirlikleri Ligo ve Virgo , tümü makine öğreniminin yardımıyla bu olayların düzinelerce sinyallerini tanımladı.
Modelleri kara delik birleşmelerinin simüle edilmiş verileri üzerinde eğiterek, Ligo ve Virgo’daki ekipler, meydana geldikleri anlarda potansiyel olayları belirleyebilir ve teleskoplarını doğru yöne çevirmeleri için dünyanın dört bir yanındaki gökbilimcilere uyarılar gönderebilir.
3. Değişen gökyüzü
80 terabayttan fazla görüntüyü tek seferde toplayan Vera Rubin Gözlemevi, evrendeki yıldızların ve galaksilerin zamanla nasıl değiştiğini görmek için her gece tüm gece gökyüzünü inceleyecek. Bir terabayt 8.000.000.000.000 bittir.
Planlanan operasyonlar boyunca, Rubin tarafından yürütülen Eski Uzay ve Zaman Araştırması, yüzlerce petabayt veri toplayacak ve işleyecektir. Bu bağlamda ifade etmek gerekirse, 100 petabayt, Facebook’taki her fotoğrafı veya yaklaşık 700 yıllık tam yüksek çözünürlüklü videoyu depolamak için gereken alanla eşdeğer.
Sadece sunuculara giriş yapıp bu verileri indiremeyeceksiniz ve yapsanız bile aradığınızı bulamayacaksınız.
Bu yeni nesil anketleri aramak ve önemli verileri vurgulamak için makine öğrenimi teknikleri kullanılacaktır. Örneğin, bir algoritma süpernova (bir yıldızın ömrünün sonunda meydana gelen dramatik patlamalar) gibi nadir olaylar için görüntüleri ararken, bir diğeri kuasarları arıyor olabilir. Ekip, bilgisayarları belirli astronomik olayların sinyallerini tanıması için eğiterek, doğru verileri doğru kişilere ulaştırabilecek.
4. Yerçekimi mercekleri
Evren hakkında giderek daha fazla veri topladıkça, bazen yararlı olmayan verileri derleyip atmak zorunda kalıyoruz. Peki bu veri yığınlarında en nadir bulunan nesneleri nasıl bulabiliriz?
Birçok gökbilimciyi heyecanlandıran bir gök olayı, güçlü yerçekimi mercekleridir. Bu, iki gökada bizim görüş hattımız boyunca sıraya girdiğinde ve en yakın gökadanın yerçekimi bir mercek gibi davranıp daha uzaktaki nesneyi büyüterek halkalar, haçlar ve çift görüntüler oluşturduğunda olan şeydir.
Bu lensleri bulmak samanlıkta iğne bulmak gibidir – gözlemlenebilir evren büyüklüğünde bir samanlıkta. Gittikçe daha fazla galaksi görüntüsü topladıkça daha da zorlaşacak bir arama.
2018’de dünyanın dört bir yanından gökbilimciler, bu lensleri otomatik olarak bulmak için en iyi algoritmayı kimin yapabileceğini görmek için yarıştıkları Strong Gravitational Lens Finding Challenge’a katıldılar.
Bu zorluğun galibi, evrişimli sinir ağı adı verilen ve farklı filtreler kullanarak görüntüleri bir mercek içerip içermediğini sınıflandırana kadar parçalamayı öğrenen bir model kullandı. Şaşırtıcı bir şekilde, bu modeller insanlardan bile daha iyiydi ve biz insanların fark etmekte güçlük çektiği görüntülerde ince farklar buluyordu.
Önümüzdeki on yılda, gökbilimciler Vera Rubin Gözlemevi gibi yeni araçlar kullanarak petabaytlarca, yani binlerce terabaytlık veri toplayacaklar. Evrenin derinliklerine indikçe, astronomların araştırmaları giderek daha fazla makine öğrenimi tekniklerine dayanacak.
(Bu makale theconversation.com’da Ashley Spindler tarafından hazırlanmıştır.)
İlk yorum yapan siz olun