Evrenin modellemesinde devrim yaratan yapay zeka: CIGaRS

Barselona Üniversitesi öncülüğündeki araştırmacılar, süpernova verileriyle evrenin genişlemesini daha hassas incelemek için CIGaRS adlı yapay zeka tabanlı bir model geliştirdi.

Evrenin genişleme hızını ve karanlık enerjinin doğasını anlamaya yönelik araştırmalarda yapay zeka tabanlı yeni bir yöntem geliştirildi. Barselona Üniversitesi Kozmos Bilimleri Enstitüsü öncülüğündeki uluslararası araştırma ekibi, Tip Ia süpernovalarına dayalı kozmolojik ölçümlerde kullanılmak üzere CIGaRS adlı yeni bir analiz çerçevesi hazırladı.Nature Astronomy dergisinde yayımlanan çalışma, maliyetli ve zaman alan spektroskopik gözlemler yerine görüntüleme verilerinden daha fazla bilgi çıkarılabileceğini gösteriyor. Araştırmacılara göre model, geleneksel yöntemlere kıyasla kozmolojik kısıtlamaları dört kata kadar iyileştirebilir.SÜPERNOVA VERİLERİ YENİDEN ANALİZ EDİLİYORGökbilimciler, evrendeki mesafeleri ölçmek için uzun süredir Tip Ia süpernovalarını kullanıyor. Parlaklıkları belirli bir düzen gösteren bu patlamalar, “standart mum” olarak adlandırılıyor ve evrenin genişlemesini izlemek için temel araçlardan biri kabul ediliyor. Ancak süpernovaların parlaklığı, içinde bulundukları galaksinin yaşı, kütlesi ve kozmik toz gibi etkenlerden etkilenebiliyor. Bugüne kadar bu etkiler çoğunlukla basitleştirilmiş varsayımlarla düzeltiliyordu. CIGaRS modeli ise süpernova patlamalarını, ev sahibi galaksileri, toz etkisini ve evrenin genişleme hızını aynı çerçevede ele alıyor. Böylece daha tutarlı ve kapsamlı bir analiz yapılabiliyor.BAYES ÇIKARIMI VE SİNİR AĞLARI KULLANILIYORYeni model, simülasyon tabanlı çıkarım yaklaşımıyla çalışıyor. Bu yöntemde araştırmacılar, evreni bilgisayar ortamında baştan sona simüle ederek gözlemlenen verilerle en uyumlu kozmolojik senaryoları belirlemeye çalışıyor. Çalışmanın ortak yazarlarından ICREA-ICCUB araştırmacısı Raúl Jiménez, Bayes çıkarımıyla yapılan uçtan uca simülasyonların, bilinmeyen sistematik etkilerin incelenmesine imkân verdiğini belirtti. CIGaRS, geleneksel analitik yaklaşımlar yerine sinir ağları ve Bayes çıkarımını bir araya getiriyor. Bu sayede on binlerce süpernova verisi aynı anda analiz edilebiliyor.SPEKTROSKOPİYE BAĞIMLILIĞI AZALTABİLİRGeleneksel süpernova analizlerinde spektroskopik gözlemler önemli bir yer tutuyor. Ancak bu gözlemler yüksek maliyetli ve zaman alıcı olduğu için çok büyük veri setlerinde uygulanması zorlaşıyor. CIGaRS, fotometrik yani görüntüleme temelli verilerden daha fazla bilgi çıkararak bu bağımlılığı azaltmayı hedefliyor. Araştırmacılar, yöntemin özellikle büyük ölçekli gökyüzü araştırmalarında önemli avantaj sağlayabileceğini belirtiyor. Modelin geleneksel yöntemlere göre kozmolojik kısıtlamalarda dört kata kadar iyileşme sağlaması bekleniyor. Bu durum, karanlık enerji ve evrenin genişleme tarihiyle ilgili daha hassas sonuçlara ulaşılmasına katkı sunabilir.RUBIN GÖZLEMEVİ VERİLERİ İÇİN KRİTİKCIGaRS modelinin en önemli kullanım alanlarından biri, Şili’deki Vera C. Rubin Gözlemevi’nin üreteceği büyük veri setleri olacak. Gözlemevinin 10 yıllık gökyüzü araştırması sırasında milyonlarca süpernova tespit etmesi bekleniyor. Bu süpernovaların büyük bölümünün yalnızca fotometrik yöntemlerle gözlemlenmesi planlanıyor. Bu nedenle görüntüleme verilerinden güvenilir kozmolojik sonuçlar çıkarabilen modeller, Rubin Gözlemevi’nin bilimsel verimini artırmak açısından kritik önem taşıyor.Çalışmanın baş yazarı Konstantin Karchev, uçtan uca simülasyon tabanlı çıkarım yaklaşımının Rubin verilerinden kozmolojik ve astrofiziksel bilgileri çıkarmak için güçlü bir yöntem sunduğunu belirtti. Araştırmacılar, CIGaRS gibi makine öğrenimi araçlarının karanlık enerji, galaksi evrimi ve evrenin genişleme tarihi gibi temel soruların yanıtlanmasında daha etkin kullanılabileceğini ifade ediyor.