Ana sayfa Astronomi Yüz tanımlamadaki başarısıyla bilinen derin öğrenme teknikleri, galaksileri tanımlamada da iyi performans...

Yüz tanımlamadaki başarısıyla bilinen derin öğrenme teknikleri, galaksileri tanımlamada da iyi performans gösteriyor!

563
PAYLAŞ
Bir galaksinin evrim şeması. İlk olarak galakside disk bölümü baskındır (sol) fakat daha sonra galaksinin merkez bölümündeki devasa gaz ve toz bulutları içersinde aktif yıldız oluşumu başlar (orta). Son olarak yıldızların yoğunlaştığı merkezi bölge galaksiyi  domine eder ve galaksi eliptik veya merceksi galaksi formunu alır. © NAOJ

Çeviren: Cem Oran

Temelde bilgisayarların verilerdeki örüntüleri kendiliğinden tanıma kabiliyeti anlamına gelen ve “Derin Öğrenme” ismiyle bilinen makina öğrenmesi tekniği günümüzde gerçekten de en ilgi çekici teknolojilerden biri oldu. Ki son yıllarda, Facebook gibi sosyal medya platformları için ses ve yüz tanımayı da içeren bir dizi farklı alanda uygulaması yapılmış ve kabul görmüş bir teknik artık.

Keza astronomlar da, galaksi görüntülerinin analiz edilmesi, galaksilerin oluşum ve evrim süreçlerinin anlaşılması konusunda derin öğrenmeden faydalanıyor. Uluslararası bir ekip gerçekleştirdikleri bir çalışmada, Hubble Uzay Teleskopu’ndan elde edilen galaksi görüntülerinin analiz edilmesi için derin öğrenme algoritmasından yararlandı. Bu metot, galaksilerin -evrimlerinin hangi evresinde olduklarına dayalı olarak- sınıflandırılması konusunda kendisini ispatladı bile.

Paris Diderot Üniversitesi’nden Marc Huertes-Company’nin liderliğini yaptığı uluslararası araştırmacılardan oluşan ekibin yaptığı çalışmalar geçtiğimiz günlerde Astropyhsical Journal’da yayınlandı. Aslında, Marc Huertes-Company ekibiyle yaptığı daha önceki bir çalışmasında derin öğrenme metodlarını galaksilerin sınıflandırılması için bir nöral ağ oluşturmak suretiyle Hubble verilerine uygulamıştı. California Santa Cruz Üniversitesi’nde emekli profesör olan David Koo and Joel Primack ile birlikte galaksilerin evrimlerinin hangi aşamalarında olduklarını tanımlayabilecek bir nöral ağ algoritması geliştirmişlerdi.

Kozmolojik simülasyonlardan elde edilen görüntülerle eğitilmiş bir ‘derin öğrenme’ algoritması Hubble’ın gerçek galaksi görüntülerini sınıflandırmada şaşırtıcı derecede başarılı. © HST/CANDELS

Koo araştırmayla ilgili olarak, “Bu proje kafamızdaki birkaç fikirden sadece biriydi.” diyor ve ekliyor “Teorisyenlerin simülasyonlara dayanarak kolaylıkla tanımlayabilecekleri ve galaksilerin görünüşleriyle ilişkili olan bir –fiziksel- süreci seçmek ve daha sonrasında derin öğrenme algoritmasını onu incelemek için gözlemsel verilere uygulamak istedik. Henüz bu yeni araştırma yöntemine dair keşiflerin başındayız. Bu teori ve gözlemi birleştirmenin yeni bir yolu”.

Çalışma için, araştırmacılar bilgisayar simülasyonları aracılığıyla Hubble’ın yakaladığı galaksi görüntülerinin taklitlerini oluşturdular. Taklit görüntüler ‘derin öğrenme nöral ağının’ galaksilerin evrimindeki 3 ana fazı tanımak üzere eğitilmesinde kullanıldı (galaksi evrimindeki bu üç faz nöral ağ eğitilmeye başlanmadan önce simülasyonda tanımlanmıştı). Bu aşamadan sonra araştırmacılar, nöral ağı Hubble’ın gerçek görüntülerini analiz etmek için kullandı.

Huertas ve Company tarafından analiz edilen diğer görüntüler ile birlikte bu yeni görüntüler bugüne kadar Hubble Uzay Teleskopu’yla gerçekleştirilen en geniş ölçekli araştırma projesi olan ve yakın kızılötesi tayfında galaksi dışı kozmik yapıları incelemek amacıyla yürütülen CANDELS Projesi’nin bir parçası. Çalışmanın sonucunda nöral ağın simüle edilmiş galaksi görüntülerini sınıflandırırken elde ettiği sonuçlar ile gerçek galaksi görüntülerini sınıflandırılmasında elde ettikleri arasında büyük bir düzeyde uyumluluk olduğu bulundu. Ekipten Joel Primack’ın açıklamasına göre: “Nöral ağın bu kadar başarılı olabileceğini doğrusu beklemiyorduk. Simülasyonların kısıtlamaları olduğunu biliyoruz ve bu yüzden güçlü iddialarda bulunmak istemiyoruz. Fakat bulgularımızın şanslı bir rastlantı olduğunu da düşünmüyoruz”.

Sol: Hali hazırda devam eden yıldız oluşum sürecinde ortaya çıkan genç yıldızların mavi ışığıyla parlayan bir spiral galaksi. Sağ: Yaşlı yıldızların kırmızı ışığıyla parlayan bir eliptik galaksi. © SDSS.

Araştırma ekibi özellikle “mavi külçe” takma adıyla bilinen, küçük ve yoğun yıldız oluşum bölgelerine sahip galaksilerle ilgilendiler. Bu bölgeler, gaz bakımından zengin galaksilerin evriminin erken safhalarında, galaksinin merkezine doğru gerçekleşen büyük gaz akışının mavi ışık yayan genç yıldızların oluşmasına yol açmasıyla meydana gelir. Ekip, bu ve başka türden galaksileri simüle etmek için Primack ve uluslararası bir ekip tarafından geliştirilen VELA simülasyonlarından faydalandı.

Bilgisayar programının hem simüle edilmiş hem de gözlemlenmiş veride yaptığı analizlerin sonucuna göre “mavi külçe” fazı sadece kütlesi belli bir aralıkta olan galaksilerde gerçekleşiyor. Bu fazı, yıldız oluşumunun galaksinin mezkez bölgesinde sonlanmasıyla ortaya çıkan “kırmızı jülçe” fazı takip ediyor. Bu fazda merkez bölgesindeki yıldızlar anakolu* terk edip kırmızı devlere evriliyorlar.

Tespit edilen kütle aralığının uyumluluğu heyecan verici. Çünkü nöral ağın, kendisine böyle bir komut verilmediği halde, gerçek galaksilerde büyük önem taşıyan bir fiziksel sürecin meydaya getirdiği bir örüntüyü kendi başına tanımlayabildiğini ortaya koyuyor. Koo’nun belirttiği gibi, bu çalışma astronomi ve yapay zeka teknolojisi için büyük bir adım, fakat daha yapılacak çok iş olduğunu söylüyor ve: “VELA simülasyonlarının CANDELS kapsamındaki gözlemlerin anlaşılmasında bize çok büyük yardımı oldu. Kimse mükemmel bir simülasyona sahip olmasa da, araştırmalarımızı sürdürdükçe daha iyi simülasyonlar geliştirmeye devam edeceğiz” diyor.

Örneğin, ekibin yaptığı simülasyonlar aktif galaktik çekirdeğin** galaksi evrimi üzerinde oynadığı rolü içermiyor. Daha büyük galaksilerde, gaz ve toz bulutları galaksinin merkezindeki süper kütleli karadeliklere doğru ivmelenir ve bu sürecin sonucunda gaz ve radyasyon devasa jetler aracılığıyla uzaya doğru savrulur. Bazı güncel çalışmalar bunun galaksilerdeki yıldız oluşumu üzerinde nasıl bir etkisi olduğunu ortaya koydu.

Sanatçının gözünden bir galaksinin merkezindeki aktif galaktik çekirdek (AGN). © NASA/CXC/M.Weiss

Ekibin simülasyonlarında gözlenen gaz zengini merkezlerin “mavi külçe” fazına yol açması durumu, uzaktaki, nispeten genç galaksiler üzerinde yapılan gözlemler tarafından destekleniyor. Koo’ya göre galaksi evrimini incelemek için derin öğrenmeden yararlanmak gözlemsel verilerde daha önceden tespit edilmemiş olayların ortaya çıkartılmasında ciddi bir potansiyele sahip. Bu sayede, astronomlar galaksilerin zaman içindeki bir anlık görüntülerini gözlemlemek yerine, galaksilerin milyarlarca yıl içersinde nasıl evrimleştiklerini simüle edebilecekler.

Koo: “Derin öğrenme örüntülere bakar ve insanların göremeyeceği çeşitlilikte örüntüleri görebilir. Bu yaklaşımı daha fazla teste tabi tutmak istiyoruz, fakat kavram ispatı için yapılan bu çalışmalarda makinalar veri analizi yaparak simülasyonlar aracılığıyla tanımlanmış galaksi evrimindeki fazları tespit etme konusunda başarılı görünüyor” diyor.

James Web Uzay teleskopu (JWST), Geniş Ölçekli Kızılötesi Tarama Teleskopu (WFIRST) ve Büyük Sinoptik Tarama Teleskopu (LSST) gibi yeni jenerasyon teleskoplar sayesinde gelecekte, astronomlar analiz etmek üzere daha fazla gözlemsel veriye sahip olacak. Bu teleskopların sağladığı veri setleri öncekilerden bile yoğun olabilir, ki bu durumda olası örüntülerin ortaya çıkartılması için makina öğrenme metodlarından faydalanılması gerekebilir.

Görüleceği üzere astronomi ve yapay zeka, evreni daha iyi anlayabilmemiz için birlikte çalışıyor. Belki de yapay zekâ gelecekte “Her Şeyin Teorisi”ne ulaşabilmemiz için en önemli katkıyı sağlayacak. Kimbilir, bekleyip görelim.

Editörden notlar;

* Güneş gibi henüz hidrojenini helyuma çevirerek enerji elde eden genç yıldıların bulunduğu evre. Daha fazla bilgi için tıklayın.

** merkezindeki süper kütleli karadeliği oldukça aktif olan galaksilerin karadeliklerine verilen isim.