asd
Ana Sayfae-DergiKaranlık enerjinin yapay zeka ile incelenmesi

Karanlık enerjinin yapay zeka ile incelenmesi

Evren‘in son 7 milyar yılındaki karanlık ve görünür maddelerin haritasından karanlık enerjinin fonksiyonlarını ve etkilerini gün yüzüne çıkarmak için University College London (UCL) liderliğindeki araştırma ekibi, yapay zeka (YZ) tekniklerini kullanarak Kraliyet Astronomi Topluluğunun Aylık Bildirimlerine sunulan çalışmayı, Dark Energy Survey işbirliğiyle gerçekleştirmiştir. Bu çalışma ile ışığın karanlık enerjinin genel yoğunluğuna dahil ederek temel özelliklerinin bir haritadan çıkarılabileceği kanısına varılmıştır. Araştırmacılar, çıkarılan bu harita ile evren modellerinin incelemesini hassasiyet ile yapabilmektedir.

Karanlık Enerji Araştırmasında zayıf mercekli harita deneyleri yapılarak özet istatistiklerinin sinirsel veri sıkıştırması yoluyla simülasyona dayalı Soğuk Karanlık Madde (Cold-Dark-Matter; CDM) çıkarımı yapılmaya çalışılmaktadır. Güç spektrumları, tepe sayıları ve evrişimli sinir ağlarının verilerini doğrudan harita düzeyinde sıkıştırma amaçlanmıştır. Simülasyon tekniği kullanılırken sahte veriler ile bilinmeyen parametrelerin sonsal olasılık dağılımları tahmin edilmeye çalışılmaktadır. Bu tahminler sonucu oluşan modeller sahte veriler aracılığıyla yayılır. Bu verilerden bazıları; gökyüzü maskeleri, Gauss olmayan şekil gürültüsü, şekil ölçüm yanlılığı, kaynak galaksi kümelenmesi, fotometrik kırmızıya kayma belirsizliği, içsel galaksi hizalamaları, Gauss olmayan yoğunluk alanlarıdır. Çıkarım sonuçlarını test etmek için, 3000’den fazla sahte DES mercekleme veri seti ile oluşturulan, karma aktif öğrenme stratejisiyle örneklenmiş kozmolojik model parametrelerine sahip 791 tam gökyüzü Parallel K-D tree GRAVity (PKDGRAV) karanlık madde simülasyonu kullanılmaktadır (Şekil 1). 

Karanlık maddenin simülasyonu

Şekil 1. Karanlık madde simülasyonu1.

Karanlık enerji, evrenin genişlemesini hızlandıran gizemli bir güçtür ve evrenin içeriğinin yaklaşık %70’ini oluşturduğu düşünülmektedir (karanlık madde, %25’ini ve normal madde ise sadece %5’ini oluşturur). Karanlık Enerji haritasını zayıf yerçekimsel mercekleme adı verilen bir teknikle elde edilerek uzak galaksilerden gelen ışığın Dünyaya gelirken araya giren maddenin yerçekimi tarafından nasıl büküldüğü incelenmiştir. Harita, Güney Yarımküredeki gökyüzünün dörtte birini kapsayacak şekilde oluşturulmuştur. Bunun sonucunda elde edilen bulguların evrendeki maddelerin Einstein’in genel görelilik teorisinin tahmin ettiğinden daha düzgün şekilde yayıldığını ve daha az topraklandığını göstermektedir. Hata çubuklarının boyutları büyütülerek önceki analizlerdeki tutarsız hatalar anlamlandırılmıştır.

Baş yazar Dr. Niall Jeffrey (UCL Fizik ve Astronomi), şunları söyledi: “Bilgisayarla simüle edilmiş evrenlerden öğrenmek için yapay zekayı kullanarak, evrenin temel özelliklerine ilişkin tahminlerimizin kesinliğini iki kat artırdık. Bu yeni teknikler olmadan bu gelişmeyi elde etmek için dört kat daha fazla veriye ihtiyacımız olacak. Bu, başka bir 300 milyon galaksinin haritalandırılmasına eşdeğer olacaktır.” Çalışma arkadaşları ve ortak yazar olan  Dr. Whiteway (UCL Fizik ve Astronomi) ise, “Bulgularımız, değeri uzayda veya zamanda değişmeyen bir ‘kozmolojik sabit‘ olarak karanlık enerjinin mevcut en iyi tahminiyle aynı doğrultudadır. Ancak aynı zamanda, aynı zamanda farklı bir açıklamanın doğru olabilmesi için esneklik. Örneğin, yerçekimi teorimiz hâlâ yanlış olabilir.” demiştir2.

Yeni çalışmalarında yapay zekada harita verileri ile farklı evren enerji ölçüm simülasyonları oluşturmak isteyen araştırmacılar, Birleşik Krallık hükümeti tarafından temin edilen süper bilgisayarları kullanmaktadır. Evrenlerin farklı matematiksel modellemelerinden dolayı simülasyon programları da değişiklik göstermiştir. Her bir simülasyonda farklı evrenler için madde haritaları çıkarılmıştır. Haritalardaki kozmolojik modellerle ilgili bilgi edinebilmek için makine öğrenme modelinden faydalanmışlardır. Farklı kozmolojik modellere sahip simüle edilmiş evrenler için de ikinci bir makine öğrenim aracına ihtiyaç duyulmuştur. Tüm bu simülasyon sonuçlarınca oluşturulan herhangi bir kozmolojik modelin evrenimizin gerçek modeli olma ihtimali olabileceği açıklandı. Bu yeni teknik, araştırmacıların haritalardan önceki yöntemle mümkün olandan çok daha fazla bilgi kullanmasına olanak tanıdı. Simülasyonlar DiRAC Yüksek Performanslı Bilgi İşlem (HPC) tesisinde gerçekleştirildi (Şekil 2).

DiRAC HPC

Şekil 2. DiRAC HPC Durham tesisi.

Karanlık Evren projelerinin bir sonraki aşaması Avrupa Uzay Ajansı Öklid misyonu ortaklığıyla birlikte evrenin büyük ölçekli yapıları hakkında sahip olunandan daha fazla veri elde edebilmek ve araştırmacıların evrenin beklenmedik düzgünlüğünün olup olmadığını belirlemesi ile şekillenecektir. Evrende mevcut kozmolojik modellerden farklı olabilecek bir yapının olması ihtimalini güçlendiren durumlar ile karşılaşılmıştır. Şu an var olan pürüzsüz yapı, Büyük Patlamadan kalan ışık olan kozmik mikrodalga arkaplan ışını (CMB) analizine dayalı olarak tahmin edilenlerle çelişmektedir.

UCL’nin kurucu üyesi olduğu Karanlık Enerji Araştırması işbirliği, ABD Enerji Bakanlığı’nın Fermi Ulusal Hızlandırıcı Laboratuvarı (Fermilab) tarafından düzenleniyor ve yedi ülkeden 25 kurumdan 400’den fazla bilim insanını içeriyor. Güçlü bir ekip kadrosuna sahip olan projede dünyanın en güçlü dijital kameralarından biri olan 570 megapiksel Karanlık Enerji Kamerası (Şekil 3) tarafından altı yıl boyunca (2013’ten 2019’a kadar) çekilen gece gökyüzünün fotoğraflarını kullanarak yüz milyonlarca galaksiyi kataloglanmıştır. Optik düzelticisi UCL’de üretilen kamera, Ulusal Bilim Vakfı’nın Şili’deki Cerro Tololo Amerikalar arası Gözlemevindeki bir teleskopun üzerine monte edilerek kullanılacaktır.

En yüksek çözünürlüklü teleskop

Şekil 3. En iyi fotoğraf çekebilen teleskop.

Kaynaklar
1. https://arxiv.org/abs/2403.02314
2. https://phys.org/news/2024-03-precise-dark-energy-ai.html

 

Yorum Yap

Lütfen yorumunuzu giriniz!
Lütfen isminizi buraya giriniz

Bu site, istenmeyenleri azaltmak için Akismet kullanıyor. Yorum verilerinizin nasıl işlendiği hakkında daha fazla bilgi edinin.

Son Yazılar

Son Yorumlar