NASA’nın Hubble Uzay Teleskobu tarafından çekilen bu görüntü, büyük bir gökada kümesinin önünde bir sarmal gökadayı (sol altta) göstermektedir. Yeni araştırma, gökada kümelerinin kütlelerini daha doğru bir şekilde tahmin etmek için yapay bir araçtan yararlandı. Kredi: ESA/Hubble ve NASA
İleri Araştırma Enstitüsü ve Flatiron Enstitüsü’ndeki gökbilimciler ve ortak çalışanları, büyük gökada kümelerinin kütlesini hesaplama yöntemini geliştirmek için yapay zekadan yararlandı. . Yapay zeka, araştırmacıların mevcut bir denkleme basit bir terim ekleyerek artık eskisinden çok daha doğru kütle tahminleri elde edebileceğini ortaya çıkardı.
Yeni geliştirilmiş hesaplamalar, bilim insanlarının evrenin temel özelliklerini daha büyük bir hassasiyetle belirlemesine olanak tanıyacak , astrofizikçilerin Proceedings of the National Academy of Sciences’ta yayınlanan bir raporuna göre.
“Bu çok basit bir şey; New York City’deki Flatiron Enstitüsü’nün Hesaplamalı Astrofizik Merkezi’nde (CCA) araştırma bilimcisi olan çalışma ortak yazarı Francisco Villaescusa-Navarro, bunun güzelliği bu, “diyor. “Bu kadar basit olmasına rağmen, daha önce kimse bu terimi bulamadı. İnsanlar onlarca yıldır bunun üzerinde çalışıyor ve hâlâ bunu bulamıyorlar.”
Çalışma, Princeton, New Jersey’deki Institute for Advanced Study’den Digvijay Wadekar ve ABD’den araştırmacılar tarafından yürütüldü. CCA, Princeton Üniversitesi, Cornell Üniversitesi ve Astrofizik Merkezi | Harvard & Smithsonian.
Evreni anlamak, nerede ve ne kadar madde olduğunu bilmeyi gerektirir. Galaksi kümeleri, evrendeki en büyük nesnelerdir: Tek bir küme, yüzlerce ila binlerce galaksinin yanı sıra plazma, sıcak gaz ve karanlık madde içerebilir. Kümenin yerçekimi bu bileşenleri bir arada tutar. Bu tür gökada kümelerini anlamak, evrenin kökenini saptamak ve devam eden evrimi için çok önemlidir.
Belki de bir gökada kümesinin özelliklerini belirleyen en önemli miktar, toplam kütlesidir. Ancak bu miktarı ölçmek zordur – galaksiler bir teraziye konularak “tartılamaz”. Kümenin kütlesinin çoğunu oluşturan karanlık madde görünmez olduğu için sorun daha da karmaşık hale geliyor. Bunun yerine, bilim adamları bir kümenin kütlesini diğer gözlemlenebilir niceliklerden çıkarırlar.
Sembolik regresyondan elde edilen yeni denklemin performansı orta panelde gösterilirken, geleneksel yöntemin performansı gösterilir. üstte. Alt panel, saçılmadaki azalmayı açıkça ölçer. Kredi: D. Wadekar ve diğerleri/Proceedings of the National Academy of Sciences 2023
1970’lerin başında, Institute for Advanced Study’nin Doğa Bilimleri Okulu’nda şu anda seçkin misafir profesör olan Rashid Sunyaev ve işbirlikçisi Yakov B. Zel’dovich, galaksi kümesi kütlelerini tahmin etmek için yeni bir yol geliştirdi. Yöntemleri, yerçekimi maddeyi sıkıştırırken, maddenin elektronlarının geri itilmesi gerçeğine dayanır. Bu elektron basıncı, elektronların foton adı verilen ışık parçacıklarıyla nasıl etkileşime girdiğini değiştirir. Big Bang’den arta kalan fotonlar sıkıştırılmış malzemeye çarptıkça, etkileşim yeni fotonlar yaratır. Bu fotonların özellikleri, yerçekiminin malzemeyi ne kadar güçlü bir şekilde sıkıştırdığına bağlıdır ve bu da galaksi kümesinin ağırlığına bağlıdır. Astrofizikçiler fotonları ölçerek kümenin kütlesini tahmin edebilirler.
Ancak bu “entegre elektron basıncı”, kütle için mükemmel bir temsil değildir çünkü foton özelliklerindeki değişiklikler galaksi kümesine bağlı olarak değişir. Wadekar ve meslektaşları, ‘sembolik regresyon’ adı verilen bir yapay zeka aracının daha iyi bir yaklaşım bulabileceğini düşündüler. Araç, hangi denklemin verilerle en iyi şekilde eşleştiğini görmek için temel olarak çeşitli değişkenlerle (toplama ve çıkarma gibi) farklı matematiksel operatör kombinasyonlarını dener.
Wadekar ve ortak çalışanları, yapay zeka programlarını bir durum “besledi” – birçok galaksi kümesini içeren en gelişmiş evren simülasyonu. Ardından, CCA araştırma görevlisi Miles Cranmer tarafından yazılan programları, toplu tahminleri daha doğru hale getirebilecek ek değişkenleri aradı ve belirledi.
Yapay zeka, insan analistlerin gözden kaçırabileceği yeni parametre kombinasyonlarını belirlemek için kullanışlıdır. Örneğin, insan analistlerin bir veri kümesindeki iki önemli parametreyi belirlemesi kolay olsa da, yapay zeka yüksek hacimleri daha iyi ayrıştırarak genellikle beklenmedik etkileyen faktörleri ortaya çıkarır.
“Şu anda makine öğreniminin çoğu topluluk derin sinir ağlarına odaklanıyor,” diye açıkladı Wadekar. “Bunlar çok güçlü, ancak dezavantajı, neredeyse bir kara kutu gibi olmaları. İçlerinde neler olup bittiğini anlayamayız. Fizikte, bir şey iyi sonuçlar veriyorsa, neden böyle yaptığını bilmek isteriz. Sembolik regresyon faydalıdır çünkü belirli bir veri kümesini arar ve sizin anlayabileceğiniz basit denklemler biçiminde basit matematiksel ifadeler üretir. Kolayca yorumlanabilen bir model sağlıyor.”
Araştırmacıların sembolik regresyon programı onlara, mevcut denkleme tek bir yeni terim ekleyerek galaksi kümesinin kütlesini daha iyi tahmin edebilen yeni bir denklem verdi. Wadekar ve işbirlikçileri daha sonra yapay zeka tarafından üretilen bu denklemden geriye doğru çalıştılar ve fiziksel bir açıklama buldular. Gaz konsantrasyonunun, süper kütleli karadeliklerin gizlendiği galaksilerin çekirdekleri gibi, kütle çıkarımlarının daha az güvenilir olduğu galaksi kümelerinin bölgeleri ile ilişkili olduğunu fark ettiler. Yeni denklemleri, hesaplamalarda bu karmaşık çekirdeklerin önemini küçümseyerek kütle çıkarımlarını iyileştirdi. Bir anlamda, galaksi kümesi küresel bir çörek gibidir. Yeni denklem, daha büyük hatalara yol açabilen çörek merkezindeki jöleyi çıkarıyor ve bunun yerine daha güvenilir toplu çıkarımlar için hamurlu kenar mahallelere odaklanıyor.
Araştırmacılar, yapay zeka tarafından keşfedilen denklemi binlerce simüle edilmiş evren üzerinde test etti. CCA’nın CAMELS paketinden. Denklemin, şu anda kullanılan denklemle karşılaştırıldığında büyük kümeler için gökada kümesi kütle tahminlerindeki değişkenliği yaklaşık yüzde 20 ila 30 oranında azalttığını buldular.
Yeni denklem, yaklaşan gökada kümesi araştırmalarına katılan gözlemsel astronomlara daha iyi sonuçlar sağlayabilir. gözlemledikleri nesnelerin kütlesine dair içgörüler. Wadekar, “Yakın gelecekte planlanan galaksi kümelerini hedefleyen epeyce araştırma var” dedi. “Örnekler arasında Simons Gözlemevi, Aşama 4 CMB deneyi ve eROSITA adlı bir X-ışını araştırması yer alıyor. Yeni denklemler, bu araştırmalardan elde edilen bilimsel getiriyi en üst düzeye çıkarmamıza yardımcı olabilir.”
Wadekar, konu astrofizikte sembolik regresyon kullanmaya geldiğinde, bu yayının buzdağının sadece görünen kısmı olmasını da umuyor. “Sembolik regresyonun birçok astrofiziksel soruyu yanıtlamak için oldukça uygulanabilir olduğunu düşünüyoruz” dedi. “Astronomideki pek çok durumda, insanlar iki parametre arasında doğrusal bir uyum sağlar ve diğer her şeyi göz ardı eder. Ancak günümüzde bu araçlarla daha da ileri gidebilirsiniz. Sembolik regresyon ve diğer yapay zeka araçları, dış gezegenler gibi küçük astrofiziksel sistemleri araştırmaktan evrendeki en büyük şeyler olan galaksi kümelerine kadar çeşitli şekillerde mevcut iki parametreli güç yasalarının ötesine geçmemize yardımcı olabilir.”
{ 6}Referans: “Makine öğrenimi ile astrofizik ölçekleme ilişkilerini artırma: Sunyaev–Zeldovich akı-kütle saçılımını azaltma uygulaması”, yazan Digvijay Wadekar, Leander Thiele, Francisco Villaescusa-Navarro, J. Colin Hill, Miles Cranmer, David N. Spergel, Nicholas Battaglia, Daniel Anglés-Alcázar, Lars Hernquist ve Shirley Ho, 17 Mart 2023, Proceedings of the National Academy of Sciences.
DOI: 10.1073/pnas.2202074120