Bu galaksi kümesinin ağırlığı ne kadardır?

Gökbilimci Fritz Zwicky’nin yakın evrende bulunan yaklaşık 1000 galaksiden oluşan yoğun bir koleksiyon olan Koma Kümesi’nin kütlesini ilk hesaplamasının üzerinden neredeyse bir yüzyıl geçti. Ancak, 320 milyon ışıkyılı uzaklıktaki bu kadar büyük ve yoğun bir şeyin kütlesini tahmin etmenin, hem o zaman hem de şimdi bazı sorunları vardır. Zwicky’nin ilk ölçümleri ve o zamandan beri yapılan pek çok ölçüm, kütleyi daha yüksek veya daha düşük bir şekilde saptıran hata kaynaklarıyla boğuşuyor.

Şimdi, Carnegie Mellon Üniversitesi fizikçileri tarafından yönetilen bir ekip, makine öğreniminden gelen araçları kullanarak, Koma Kümesinin kütlesini doğru bir şekilde tahmin eden ve hata kaynaklarını etkin bir şekilde azaltan bir derin öğrenme yöntemi geliştirdi.

“İnsanlar uzun yıllardır Koma Kümesi için toplu tahminler yapıyorlar. Ancak makine öğrenimi yöntemlerimizin bu önceki toplu tahminlerle tutarlı olduğunu göstererek, sahada sıcak olan bu yeni, çok güçlü yöntemlere güven inşa ediyoruz. Fizik Bölümü’nün McWilliams Kozmoloji Merkezi’nde beşinci sınıf yüksek lisans öğrencisi olan ve Carnegie Mellon’un NSF AI Geleceğin Fiziği Planlama Enstitüsü’nün bir üyesi olan Matthew Ho, “Şu anda kozmoloji biliminin bir parçası” dedi.

Makine öğrenimi yöntemleri, karmaşık verilerdeki kalıpları bulmak için çeşitli alanlarda başarıyla kullanılmaktadır, ancak son on yılda kozmoloji araştırmalarında yalnızca bir dayanak kazanmıştır. Alandaki bazı araştırmacılar için bu yöntemler büyük bir endişe ile birlikte gelir: Karmaşık bir makine öğrenimi modelinin iç işleyişini anlamak zor olduğundan, yapmak üzere tasarlandıkları şeyi yapmaları konusunda onlara güvenilebilir mi? Ho ve meslektaşları, dergide yayınlanan en son araştırmalarıyla bu çekinceleri ele almak için yola çıktılar. Doğa Astronomi.

Zwicky ve diğerleri, Koma Kümesinin kütlesini hesaplamak için, kümenin içinde ve çevresinde dönen nesnelerin hareketini veya hızını inceledikleri ve ardından kümenin kütlesini çıkarmak için yerçekimi anlayışlarını kullandıkları dinamik bir kütle ölçümü kullandılar. Ancak bu ölçüm çeşitli hatalara açıktır. Galaksi kümeleri, evren boyunca dağılmış devasa bir madde ağında düğümler olarak bulunurlar ve sürekli olarak birbirleriyle çarpışır ve birleşirler, bu da kurucu galaksilerin hız profilini bozar. Ve gökbilimciler kümeyi çok uzak bir mesafeden gözlemledikleri için, aralarında galaksi kümesinin bir parçası gibi görünebilecek ve hareket edebilecek ve kütle ölçümünü saptırabilecek pek çok başka şey var. Ho’ya göre, son araştırmalar bu hataların etkisini ölçmeye ve hesaplamaya yönelik ilerleme kaydetti, ancak makine öğrenimi tabanlı yöntemler yenilikçi bir veri odaklı yaklaşım sunuyor.

Ho, “Derinlemesine öğrenme yöntemimiz, gerçek verilerden neyin yararlı ölçümler olup neyin olmadığını öğreniyor,” diyerek, yöntemlerinin birbiriyle kesişen galaksilerden kaynaklanan hataları (seçim etkileri) ortadan kaldırdığını ve çeşitli galaksi şekillerini (fiziksel etkiler) hesaba kattığını da sözlerine ekledi. “Bu veriye dayalı yöntemlerin kullanımı, tahminlerimizi daha iyi ve otomatik hale getiriyor.”

Ho’nun danışmanı Physics Doçenti Hy Trac, “Standart makine öğrenimi yaklaşımlarının en büyük eksikliklerinden biri, genellikle herhangi bir belirsizlik olmadan sonuçlar vermeleridir” diye ekledi. “Metodumuz, sonuçlarımızdaki belirsizliği ölçmemize izin veren sağlam Bayes istatistiklerini içeriyor.”

Ho ve meslektaşları, görüntü tanımada kullanılan bir tür derin öğrenme algoritması olan evrişimli sinir ağı adı verilen iyi bilinen bir makine öğrenme aracını özelleştirerek yeni yöntemlerini geliştirdiler. Araştırmacılar, modellerini evrenin kozmolojik simülasyonlarından veri besleyerek eğittiler. Model, kütlesi zaten bilinen binlerce gökada kümesinin gözlemlenebilir özelliklerine bakılarak öğrenildi. Modelin simülasyon verilerini işlemesinin derinlemesine analizinden sonra, Ho bunu gerçek kütlesi bilinmeyen gerçek bir sisteme (Koma Kümesine) uyguladı. Ho’nun yöntemi, 1980’lerden beri yapılan kütle tahminlerinin çoğuyla tutarlı olan bir kütle tahmini hesapladı. Bu, bu özel makine öğrenimi metodolojisinin bir gözlem sistemine ilk kez uygulandığını gösteriyor.

Ho, “Makine öğrenimi modellerinin güvenilirliğini oluşturmak için, modelin Coma gibi iyi çalışılmış sistemler üzerindeki tahminlerini doğrulamak önemlidir” dedi. “Şu anda yöntemimizi daha titiz ve kapsamlı bir şekilde kontrol ediyoruz. Umut verici sonuçlar, yöntemimizi yeni, üzerinde çalışılmamış veriler üzerinde uygulamaya yönelik güçlü bir adımdır.”

Bunlar gibi modeller, özellikle Karanlık Enerji Spektroskopik Enstrüman, Vera C. Rubin Gözlemevi ve Öklid gibi büyük ölçekli spektroskopik araştırmalar, gökyüzünden topladıkları büyük miktarda veriyi yayınlamaya başladığında, ileriye doğru kritik olacak. .

Ho, “Yakında petabayt ölçeğinde bir veri akışına sahip olacağız,” diye açıkladı. “Bu çok büyük. İnsanların bunu elle ayrıştırması imkansız. Hata kaynaklarını azaltırken kütle gibi şeylerin sağlam tahmin edicileri olabilecek modeller oluşturmaya çalışırken, bir başka önemli husus da, eğer bizlerse hesaplama açısından verimli olmaları gerektiğidir. Bu yeni anketlerden elde edilen bu devasa veri akışını işleyeceğiz. İşte tam olarak bunu ele almaya çalışıyoruz: analizlerimizi geliştirmek ve daha hızlı hale getirmek için makine öğrenimini kullanmak.”