Sinir Ağları, Evrenin 3D Haritasını Oluşturmak için Kullanıldı

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

2016 yılında, Hawaii Üniversitesi Manoa’nın (UHM) Enstitüsü için Astronomi astronomları, yaklaşık 3 milyar yıldız, galaksi ve diğer gök cisimlerinin gözlem verilerini içeren devasa bir veri setini kamuoyuna açıkladı. Bu veri seti, dört yıl boyunca gece gökyüzünün üçte ikisinin gözlemlenmesi sonucu toplandı. Proje Pan-STARRS projesi olarak adlandırıldı ve ürettiği veri seti yaklaşık 2 petabayt (iki milyon gigabayt) büyüklüğündeydi.

Max Plank Enstitüsü için Astronomi bölümünün müdürü Hans-Walter Rix, Phys.org’a göre şunları söyledi:

“Pan-STARRS1, evrenimizin evi olan Samanyolu’nu daha önce hiç olmadığı kadar ayrıntı ile haritalandırdı. Anket, ilk kez, Milky Way düzleminin ve diskinin önemli bir kısmının derin ve küresel bir görünümünü sağladı… Görüntü derinliği, alan ve renklerin benzersiz birleşimi, bilinen en uzak kuasarların çoğunun keşfini sağladı: bunlar, evrenimizde dev kara deliklerin galaksilerin merkezlerinde büyüdüğü en eski örneklerdir”.

Veri setini yayınlamanın amaçlarından biri, gözlemlenen birçok ışık noktasını sınıflandıran gözlemlenebilir gökyüzü haritasını oluşturmaktı. 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 %75’lik gözlemlenebilir gökyüzünü tarama kapasitesine sahiptir. Teleskop, dünyanın en büyük derin çok renkli optik anketidir ve araştırmacılar bu gücü kullanarak gelişmiş bir gökyüzü haritası oluşturmak istediler. Bu, PS1’in bilgisayarlarını nesneleri sınıflandırmak, bir gök cisim türünü diğerinden ayırmak için eğitmeyi içeriyordu. Kullanılan veri seti, boyut ve renk gibi özelliklerle karakterize edilen milyonlarca ölçümü içeriyordu.

Kullanılan AI algoritmaları, normal feedforward sinir ağları ile birlikte ağların milyonlarca veri noktası arasındaki karmaşık ilişkileri öğrenmelerine olanak tanıyan optimizasyon yöntemleriydi. Robert Beck, UHM Enstitüsü için Astronomi’nin eski kozmoloji postdoc’u, devlet-sanat optimizasyon algoritmalarının yaklaşık 4 milyon gök cisminin tanımladığı veri setinde bilgisayarı eğitmek 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 örneklemesi yöntemini kullandı ve sonra makine öğrenimi modelini spektroskopik verilerde eğitti.

Model eğitildikten sonra, performansını doğrulama veri setinde kontrol edildi. Ağ, yaklaşık %96.6’sı kuasar, %97.8’i yıldız ve %98.1’i galaksi olarak başarılı bir şekilde tanımladı. Ayrıca, model galaksilerin uzaklığını tahmin etti ve tahminlerin sadece yaklaşık %3 oranında yanlış olduğu görüldü.

AI eğitimi ve kullanımının sonucu, dünyanın en büyük 3D kataloğu yıldızlar, kuasarlar ve galaksiler oldu. Çalışmanın ortak yazarı Kenneth Chambers, Gizmodo’ya göre, haritayı oluşturmak için kullanılan modellerin, daha fazla veri toplandıkça tekrar kullanılabileceğini ve haritanın daha da geliştirilerek evrenimiz ve güneş sistemimiz hakkında anlayışımızı artırabileceğini açıkladı. Bilim adamları, evrenin şekli hakkında içgörüler elde etmek ve kozmolojik modelimizin yeni projeksiyonlarla uyumsuzluğunu belirlemek için haritayı kullanabilecekler. Bu harita, daha fazla veri toplandıkça tekrar kullanılabilecek ve evrenimiz hakkında daha fazla bilgi edinmemize yardımcı olacaktır.