Evrenin 3B Haritasını Oluşturmaya Yardımcı Olmak İçin Kullanılan Sinir Ağları

Son zamanlarda Hawaii Üniversitesi Astronomi bölümünden gökbilimciler yapay zekadan yararlanıldı haritalama algoritmaları, 3 milyardan fazla gök cismi içeren devasa bir 3B harita oluşturur. Astronomi ekibi, görevi gerçekleştirmek için spektroskopik verilerden ve sinir ağı sınıflandırma algoritmalarından yararlandı.

2016 yılında, Manoa'nın (UHM) Astronomi Enstitüsündeki Hawaii Üniversitesi'nden astronomlar, 3 milyardan fazla yıldız, galaksi ve diğer gök cisimleri için 4 yılı aşkın süredir yaklaşık üç- gece gökyüzünün dörtte biri. Projeye Pan-STARRS projesi adı verildi ve ürettiği veri seti yaklaşık 2 petabayt (iki milyon gigabayt) büyüklüğündeydi.

Max Plank Astronomi Enstitüleri Galaksiler ve Kozmoloji bölümünün yöneticisi Hans-Walter Rix'in açıkladığı gibi Phys.org'a göre:

"Pan-STARRS1, ana galaksimiz olan Samanyolu'nun haritasını daha önce hiç ulaşılmamış bir ayrıntı düzeyine çıkardı. Araştırma, ilk kez Samanyolu düzleminin ve diskinin önemli bir bölümünün derin ve küresel bir görünümünü sağlıyor... Görüntüleme derinliği, alanı ve renklerinin benzersiz kombinasyonu, bilinen en uzak kuasarların çoğunu keşfetmesine olanak sağladı: bunlar galaksilerin merkezlerinde büyümüş dev karadeliklerin evrenimizdeki en eski örnekleridir”.

Veri setini yayınlamanın hedeflerinden biri, veri setinde gözlemlenen birçok ışık noktasını sınıflandırarak gözlemlenebilir gökyüzünün bir haritasını oluşturmak için kullanılmasıydı. Pan-STARRS projesine katılan araştırmacılar, haritayı oluşturmak için kullanabilecekleri makine öğrenimi algoritmalarını eğitmek için veri kümesini kullandı.

Hawaii Üniversitesi araştırmacıları, Hawaii'nin Büyük Adasında bulunan PS1 teleskopuyla çalışıyor. PS1, gözlemlenebilir gökyüzünün yaklaşık %75'ini tarayabilir. Teleskop, dünyadaki en büyük derin çok renkli optik araştırmadır ve araştırmacılar, sofistike bir gökyüzü haritası oluşturmak için bu gücü kullanmak istediler. Bu, PS1'in bilgisayarlarının nesneleri sınıflandırması ve bir tür gök cismini diğer türden ayırması için eğitilmesini içeriyordu. Bilgisayarı eğitmek için kullandıkları veri seti, boyut ve renk gibi özelliklerle karakterize edilen milyonlarca ölçüm içeriyordu.

Kullanılan AI algoritmaları, ağların milyonlarca veri noktası arasındaki karmaşık ilişkileri öğrenmesine izin veren optimizasyon yöntemleriyle birleştirilmiş normal ileri beslemeli sinir ağlarıydı. UHM Astronomi Enstitüsü'nde eski kozmoloji postdoc'u olan Robert Beck, bilgisayarı veri kümesi tarafından tanımlanan yaklaşık 4 milyon gök cismi üzerinde eğitmek için en son teknoloji optimizasyon algoritmalarının kullanıldığını açıkladı. TechExplorist'in bildirdiği gibi, araştırma ekibi ayrıca Samanyolu galaksisindeki toz girişimini de düzeltmek zorunda kaldı. Araştırma ekibi, neden olduğu belirsizliği tahmin etmek için bir Monte-Carlo örnekleme yöntemi kullandı. fotometrik kırmızıya kayma (bir nesnenin hızının tahmini) ve ardından makine öğrenme modelini spektroskopik veriler üzerinde eğitti.

Model eğitildikten sonra, performansı bir doğrulama veri kümesinde kontrol edildi. Ağ, kuasarların yaklaşık %96.6'sını, yıldızların %97.8'ini ve galaksilerin %98.1'ini başarıyla tanımladı. Ek olarak, model galaksilere olan mesafeyi tahmin etti ve kontrol edildiğinde tahminler sadece yaklaşık %3 oranında hatalıydı.

AI eğitiminin ve kullanımının nihai sonucu şuydu: dünyanın en büyük 3B yıldız, kuasar ve galaksi kataloğu. Kenneth Chambers'ın açıkladığı çalışmanın ortak yazarı, Gizmodo tarafından alıntılandığı gibi, haritayı oluşturmak için kullanılan modellerin, daha fazla veri toplandıkça tekrar kullanılabilmeleri, haritayı daha da geliştirmeleri ve güneş sistemimiz ve evren hakkındaki anlayışımızı geliştirmeleri gerektiği. Bilim adamları, evrenin şekli hakkında fikir edinmek ve kozmolojik modelimizin yeni tahminlerle nerede uyuşmadığını belirlemek için haritayı kullanabilecekler.