Sinir Ağları, Evrenin 3D Haritasını Oluşturmaya Yardımcı Olmak İçin Kullanıldı

Hawaii Üniversitesi Astronomi bölümünden astronomlar, yakın zamanda AI algoritmalarını kullanarak 3 milyar üzerinde gök cisminin devasa 3D haritasını oluşturmak için kullandılar. Astronomi ekibi, görevi başarmak için spektroskopik veriler ve sinir ağı sınıflandırma algoritmalarını kullandı.

2016 yılında, Hawaii Üniversitesi Manoa’nın (UHM) Enstitü için Astronomi’den astronomlar, yaklaşık 3 milyar yıldız, galaksi ve diğer gök cisimlerinin gözlem verilerini içeren devasa bir veri setini kamuoyuna açıkladı. Veri seti, gece gökyüzünün üçte ikisinin dört yıllık gözlemi sırasında toplandı. Proje Pan-STARRS projesi olarak adlandırıldı ve ürettiği veri seti yaklaşık 2 petabayt (iki milyon gigabayt) büyüklüğe sahipti.

Max Plank Enstitüleri için Astronomi’de Galaksiler ve Kozmoloji bölümünün direktörü Hans-Walter Rix, Phys.org’a göre açıkladı:

“Pan-STARRS1, evrenimizin evi olan Samanyolu’nu daha önce hiç đạtılmamış bir ayrıntı seviyesine haritalandırdı. Anket, ilk kez, Samanyolu düzleminin ve diskinin önemli bir kısmının derin ve küresel bir görünümünü sağlar… İmaj derinliği, alan ve renklerin benzersiz kombinasyonu, bilinen en uzak kuasarların çoğunun keşfedilmesini sağladı: bunlar, evrenimizde dev kara deliklerin galaksilerin merkezlerinde büyüdüğü en eski örneklerdir”.

Veri setini yayımlamanın amaçlarından biri, gözlemlenen ışık noktalarının sınıflandırılmasını içeren gözlemlenebilir gökyüzü haritasını oluşturmak için kullanılacağıydı. Pan-STARRS projesiyle ilgili araştırmacılar, haritayı üretmek için kullanabilecekleri makine öğrenimi algoritmalarını eğitmek için veri setini kullandılar.

Hawaii Üniversitesi araştırmacıları, Hawaii’nin Büyük Adası’ndaki PS1 teleskobu ile çalışıyorlar. PS1, yaklaşık olarak gözlemlenebilir gökyüzünün %75’ini tarama kapasitesine sahiptir. Teleskop, dünyanın en büyük derin çok renkli optik araştırması ve araştırmacılar bu gücü kullanarak gelişmiş bir gökyüzü haritası oluşturmak istediler. Bu, PS1’in bilgisayarlarını nesneleri sınıflandırmaya, bir tür gök cisimini diğerinden ayırmaya öğretmek anlamına geliyordu. Bilgisayarı eğitmek için kullanılan veri seti, boyut ve renk gibi özelliklerle karakterize edilen milyonlarca ölçüme sahipti.

Kullanılan AI algoritmaları, normal feedforward sinir ağları ile kompleks ilişkileri öğrenmelerine olanak tanıyan optimize yöntemleri birleştirdi. Robert Beck, UHM Enstitü için Astronomi’nin eski kozmoloji postdoc’u, durumun en iyi optimize algoritmalarının yaklaşık 4 milyon gök cisminin tanımladığı veri setini bilgisayara öğretmek için kullanıldığını açıkladı. TechExplorist’in raporuna göre, araştırma ekibinin ayrıca Samanyolu galaksisi içindeki tozun müdahalesini düzeltmesi gerekti. Araştırma ekibi, fotometrik kırmızıya kayma (bir nesnenin hızı tahmini) nedeniyle oluşan belirsizliği tahmin etmek için Monte-Carlo örneklem yöntemini kullandı ve sonra makine öğrenimi modelini spektroskopik veriler üzerinde eğitti.

Model eğitildikten sonra, performansını doğrulama veri setinde kontrol edildi. Ağ, yaklaşık %96.6 kuasar, %97.8 yıldız ve %98.1 galaksiyi başarıyla tanımladı. Ayrıca, model galaksilere olan mesafeyi tahmin etti ve tahminlerin doğrulanması yaklaşık %3’lük bir hata payı gösterdi.

AI eğitimi ve kullanımının sonucu, dünyanın en büyük 3D kataloğu olan yıldızlar, kuasarlar ve galaksilerin 3D kataloğu oldu. Çalışmanın ortak yazarı Kenneth Chambers, Gizmodo’ya alıntılanan sözlerine göre, haritayı oluşturmak için kullanılan modeller, daha fazla veri toplandıkça tekrar kullanılabilecek ve haritanın daha da geliştirilmesini ve güneş sistemimiz ve evren hakkında anlayışımızı artırmasını sağlayacaktır. Bilim insanları, evrenin şekli hakkında bilgi edinmek ve kozmolojik modelimizin yeni projeksiyonlarla uyumsuzluğunu belirlemek için haritayı kullanabilecekler.