Kozmologlar evrenin yapısını evreni mümkün olduğu kadar çok gözlemleyerek belirlerler. Ama araştırmacılar makine öğrenmesi kullanarak tek bir galaksiyi simüle edip inceleyebilirler ve içinde bulunduğu dijital evrenin genel yapısını öngörebilirler. Mikroskop altında rastgele bir avuç kumu analiz ederek Avrasya’nın kütlesini hesaplamakla benzer bir beceri. Makineler, bir gün gökbilimcilere sadece temel yapı taşlarını inceleterek kozmos hakkında çok kapsamlı sonuçlar çıkarması için yeni bir model buldurmuş gibi görünüyor.
“Bu tamamen bambaşka bir fikir.” diyor Francisco Villaescusa-Navarro teorik astrofizikçi ve çalışmadan ortaya çıkan makalenin başyazarı. “Milyonlarca gök adayı hesaplamak yerine, sadece tek birini kullanabiliriz. Bunun işe yaraması gerçekten inanılmaz.” Aslında yaramaması gerekiyordu. Olası olmayan bulgu, Princeton Üniversitesi’nde bir lisans öğrencisi olan Villaescusa-Navarro’nun Jupiter Ding’e verdiği bir çalışmadan doğdu: Galaksinin özelliklerini bilerek, birkaç kozmolojik özelliği tahmin edebilen bir sinir ağı kur. Görevin amacı yalnızca Ding’i makine öğrenmesiyle alıştırmak içindi. Sonra maddenin toplam yoğunluğunu tamamen tespit ettiğini fark ettiler.
Lisans öğrencisi ödevinden çığır açacak çalışmaya
“Öğrencinin hata yaptığını düşündüm” dedi Navarro. “Benim için inanması birazcık zordu açıkçası.”Araştırmacılar 2.000’den fazla dijital evreni Makine öğrenimi simülasyonu (CAMELS) ile analiz ettiler. Bu evrenlerin %10 ve %50 arasında maddeyi içeren ve geri kalanı evreni hızla genişleten karanlık enerjiden oluşan çok geniş yapıları var. (evrenin üçte biri karanlık ve görünür maddeden üçte ikisi karanlık enerjiden oluşur). Simülasyonlar çalışırken karanlık ve görünür madde birlikte galaksilere dönüştü. Simülasyonlara aynı zamanda süpernovalar ve süper kütleli karadeliklerden çıkan jetler gibi karmaşık olayların zorlu işlemleri de dahil. Ama yine de başardı. Sinir ağı, daha önce incelemediği binlerce yeni gökada üzerinde test edildiğinde maddenin kozmik yoğunluğunu %10 olduğunu tahmin edebildi.
Max Planck Astrofizik Enstitüsü’nde galaksi oluşumunu simüle etme konusunda uzman olan ve araştırmaya dahil olmayan Volker Springel “Bir galaksinin yoğunluğu %10’a kadar çıkabiliyor, bu benim için çok şaşırtıcıydı.” dedi.
Algoritmanın performansı araştırmacıları şaşırttı çünkü gök adalar tabiatı gereği kaotik nesnelerdir. Bazıları tek seferde şekillenirken bazıları komşularını yiyerek büyür. Cüce galaksilerdeki süpernovalar ve kara delikler görünen maddelerini dışarı atarken dev galaksiler maddelerine tutunmaya eğilimliler. Yine de her galaksi içinde bulunduğu evrendeki maddenin genel yoğunluğunu yakından takip etmeyi başarmıştı. Ontario’daki Western Üniversitesinde bir gökbilimci olan Pauline Bramby’nin bir yorumu “evrenin ve/veya galaksilerin bazı yönleri hayal ettiğimizden çok daha basit” bir diğeri ise simülasyonların tanınmayan kusurlara sahip olmasıdır. Birleşik bir sinir ağının nasıl bu kadar akıllı hale geldiğini anlamak için bir buçuk yıl harcadı. Algoritmanın galaksilerin kendisi yerine simülasyon kodlarından yoğunluğu hesaplamak için bir yol bulduğundan emin olmak için defalarca kontrol ettiler. “Sinir ağları gerçekten çok güçlü, ama çok tembeller.” Diyor Navarro.
Defalarca yapılan deneylerden sonra araştırmacılar algoritmanın kozmik yoğunluğunu nasıl tahmin ettiğine dair bir fikir edindiler. Farklı galaktik özellikleri sistematik olarak gizlerken ağı defalarca yeniden eğiterek en önemli niteliklere odaklandılar.
Listenin en üstünde galaksinin merkezinde ne kadar madde olduğuna karşılık gelen bir galaksinin dönme hızıyla ilgili özellik vardı. Springel’e göre bu bulgu fiziksel önsezi ile eşleşiyor. Evren karanlık maddeyle dolup taşarken galaksinin yavaşça büyümesini ve hızlıca dönmesini beklersiniz bu yüzden bu ilişki tek başına tahmin gücüne sahip olmak için çok zor olsa da dönme hızının kozmik madde yoğunluğuyla ilişkili olacağını tahmin edebilirsiniz. Sinir ağı yaklaşık 17 galaktik özellik ile madde yoğunluğu arasında daha kesin ve karmaşık bir ilişki buldu. Bu ilişki galaktik birleşmelere, yıldızsal patlamalara ve kara delik püskürmelerine rağmen devam ediyor.
Evreni saran sinir ağları ve kozmik kümeler
Algoritmanın başarısı yalnızca bir galaksinin kapsamlı çalışmasından evrenin özelliklerinin kaç tanesinin çıkarılabileceği sorusunu gündeme getirirken kozmologlar gerçek dünyadaki uygulamaların sınırlı olacağından şüpheleniyorlar. Navarro’nun grubu sinir ağlarını farklı bir özellik- kozmik kümelik- üzerinde test ettiğinde hiçbir model bulamadı. Ve Springel karanlık enerji nedeniyle evrenin hızlanan genişlemesi gibi diğer kozmolojik özelliklerin bireysel galaksiler üzerinde çok az etkiye sahip olmasını bekliyor. Araştırma teoride Samanyolu ve belki de yakınlardaki birkaç galaksinin kapsamlı çalışmasının evrenimizin sahip olduğu maddenin son derece hassas bir şekilde ölçülmesini sağlayabileceğini öne sürüyor. Navarro böyle bir deneyin evrenin üç tür nötrinosunun bilinmeyen kütlelerinin toplamı gibi diğer kozmik bilinmeyenlere dair ipuçları verebileceğini söyledi. Ancak pratikte tekniğin önce büyük bir zayıflığın üstesinden gelmesi gerekecekti. CAMELS işbirliği evrenlerini iki farklı tarif kullanarak pişiriyor. Tariflerden biri üzerinde eğitilmiş bir sinir ağı, galaksi bir diğerine göre piştiğinde kötü yoğunluk tahminleri yapar. Çapraz tahmin hatası sinir ağının her tarifin kurallarına özgü çözümler bulduğunu gösterir.
Gerçek fizik yasalarıyla şekillendirilmiş bir galaksi olan Samanyolu ile ne yapacağını kesinlikle bilemezdi. Tekniği gerçek dünyaya uygulamadan önce araştırmacıların ya simülasyonları daha gerçekçi hale getirmeleri ya da daha genel makine öğrenimi teknikleri benimsemeleri gerekecek. Springel, “olasılıklardan çok etkilendim ancak kişinin kendini fazla kaptırmaktan kaçınması gerekiyor.” Dedi. Ancak Navarro sinir ağının iki bağımsız simülasyonun dağınık galaksilerinde kalıplar bulabildiğini düşünüyor. Dijital keşif gerçek kozmosun büyük ve küçük arasında benzer bir bağlantıyı saklıyor olabileceği ihtimalini arttırıyor. “Bu çok güzel bir şey” diyor Navarro. “Bütün evren ile tek bir galaksi arasında bir bağlantı.”
KAYNAK: Charlie Wood, Quanta Magazine
