Yapay Zeka Hayalet Parçacığını Açığa Çıkarıyor: Karanlık Madde Araştırmalarında Yeni Bir Dönem
Önemli ancak görünmeyen karanlık madde, yerçekimi çekimiyle evreni şekillendirir. Teoriler, zaman zaman kendisiyle etkileşime girebileceğini ve gelişmiş yapay zeka aracılığıyla dolaylı olarak tespit edilebileceğini öne sürüyor. Derin öğrenmeyi kullanan Başlangıç modeli, bu etkileşimleri benzer kozmik aktivitelerden ayırarak karanlık maddenin özelliklerine dair daha net bir resim sunar.
Evrendeki tüm maddenin %85’ini oluşturan karanlık madde, yalnızca kütle çekimsel etkileri yoluyla incelenebilen, görünmez yapısı nedeniyle hala bulunamamaktadır.
Bilim insanları, parçacık etkileşimi teorileri ve gelişmiş AI algoritmaları kullanarak karanlık maddenin özelliklerini izole etmek için kozmik aktivitenin katmanlarını soyuyor. Bu çaba, karanlık madde etkileri ile diğer kozmik fenomenler arasında doğru bir şekilde ayrım yapan ve yeni teleskoplardan gelen veriler mevcut oldukça karanlık maddenin gerçek doğasını ortaya çıkarabilecek Inception modeli gibi yenilikçi AI araçlarıyla destekleniyor.
Karanlık Maddenin Gizemini Çözmek
Karanlık madde, evreni bir arada tutan görünmez güçtür – ya da biz öyle düşünüyoruz. Tüm maddenin yaklaşık %85’ini ve evrenin içeriğinin yaklaşık %27’sini oluşturur, ancak onu doğrudan göremediğimiz için galaksiler ve diğer kozmik yapılar üzerindeki kütle çekimsel etkilerini incelememiz gerekir. Onlarca yıllık araştırmalara rağmen, karanlık maddenin gerçek doğası bilimin en zor cevaplanan sorularından biri olmaya devam ediyor.
Önde gelen bir teoriye göre, karanlık madde yerçekimi dışında başka hiçbir şeyle etkileşime girmeyen bir parçacık türü olabilir. Ancak bazı bilim insanları bu parçacıkların zaman zaman birbirleriyle etkileşime girebileceğine inanıyor, bu da öz etkileşim olarak bilinen bir fenomen. Bu tür etkileşimleri tespit etmek karanlık maddenin özellikleri hakkında önemli ipuçları sunacaktır.
Ancak, karanlık madde öz etkileşimlerinin ince işaretlerini, galaksilerin merkezlerindeki süper kütleli kara delikler olan aktif galaktik çekirdekler (AGN) gibi diğer kozmik etkilerden ayırt etmek büyük bir zorluk olmuştur. AGN geri bildirimi, maddeyi karanlık maddenin etkilerine benzer şekillerde itebilir ve bu da ikisini birbirinden ayırmayı zorlaştırır.
Astronomi Alanında Yapay Zeka Yenilikleri
EPFL’nin Astrofizik Laboratuvarı’ndan gökbilimci David Harvey, önemli bir adım atarak bu karmaşık sinyalleri çözebilen bir derin öğrenme algoritması geliştirdi. Yapay zeka tabanlı yöntemleri, galaksi kümelerinin (yerçekimiyle birbirine bağlı geniş galaksi koleksiyonları) görüntülerini analiz ederek karanlık madde öz etkileşimlerinin etkileri ile AGN geri bildiriminin etkileri arasında ayrım yapmak üzere tasarlandı. Bu yenilik, karanlık madde çalışmalarının hassasiyetini büyük ölçüde artırmayı vaat ediyor.
Harvey, farklı karanlık madde ve AGN geri bildirim senaryoları altında galaksi kümelerini modelleyen BAHAMAS-SIDM projesinden alınan görüntülerle , özellikle görüntülerdeki desenleri tanımada iyi olan bir tür AI olan Evrişimsel Sinir Ağı’nı (CNN) eğitti. Binlerce simüle edilmiş galaksi kümesi görüntüsüyle beslenen CNN, karanlık madde öz etkileşimlerinin neden olduğu sinyaller ile AGN geri bildiriminin neden olduğu sinyaller arasında ayrım yapmayı öğrendi.
Sonuçlar ve Sonuçlar
Test edilen çeşitli CNN mimarileri arasında en karmaşık olanı – “Başlangıç” olarak adlandırılan – aynı zamanda en doğru olanıydı. Yapay zeka, farklı düzeylerde kendi kendine etkileşim içeren iki birincil karanlık madde senaryosu üzerinde eğitildi ve daha karmaşık, hıza bağlı bir karanlık madde modeli de dahil olmak üzere ek modellerde doğrulandı.
Başlangıç, ideal koşullar altında %80’lik etkileyici bir doğruluk elde etti ve galaksi kümelerinin kendi kendine etkileşen karanlık maddeden mi yoksa AGN geri bildiriminden mi etkilendiğini etkili bir şekilde belirledi. Araştırmacılar, Euclid gibi gelecekteki teleskoplardan beklediğimiz veri türünü taklit eden gerçekçi gözlem gürültüsünü tanıttığında bile yüksek performansını korudu .
Karanlık Madde Araştırmalarının Geleceği
Bunun anlamı, Inception’ın – ve genel olarak AI yaklaşımının – uzaydan topladığımız muazzam miktardaki verileri analiz etmek için inanılmaz derecede faydalı olabileceğidir. Dahası, AI’nın görünmeyen verileri işleme yeteneği, uyarlanabilir ve güvenilir olduğunu gösterir ve bu da onu gelecekteki karanlık madde araştırmaları için umut vadeden bir araç haline getirir.
