Gökbilimciler, veri okyanusunda erken evren kuasarlarını bulmak için makine öğrenimi tekniklerini kullanıyor

Kuasarlar, gaz ve tozun merkezi bir süper kütleli kara deliğe düştüğünde muazzam miktarda ışık yaydığı son derece parlak galaktik çekirdeklerdir. Olağanüstü parlaklıkları nedeniyle, bu nesneler yüksek kırmızıya kaymalarda, yani büyük mesafelerde görülebilir.

Daha yüksek bir kırmızıya kayma, bir kuasarın yalnızca daha uzak bir mesafede olduğunu değil, aynı zamanda zamanda daha geriye gittiğini de gösterir. Gökbilimciler, evrenimizin erken ergenliğindeki evrimi hakkında ipuçları taşıdıkları için bu kadim nesneleri incelemekle ilgilenmektedirler.

Yüksek kırmızıya kaymalı kuasar adayları başlangıçta renklerine göre tanımlanırlar -çok kırmızıdırlar- ve daha sonra spektrumlarının ayrı gözlemlerine bakılarak bu şekilde doğrulanmaları gerekir. Ancak, bazı yüksek kırmızıya kaymalı adaylar, kütleçekimsel merceklenmenin neden olduğu görünüm bozulmaları nedeniyle daha fazla araştırmadan yanlışlıkla elenebilir.

Bu, bir galaksi gibi büyük bir nesnenin bizimle uzak bir nesne arasında yer almasıyla oluşan bir olgudur. Galaksinin kütlesi uzayı bir büyüteç gibi hareket edecek şekilde büker, bu da uzak nesnenin ışığının izlediği yolun bükülmesine ve nesnenin çarpık bir görüntüsünün oluşmasına neden olur.

Bu hizalama faydalı olabilirken (kütle çekim merceği kuasarın görüntüsünü büyüterek daha parlak ve tespit edilmesi daha kolay hale getirir) aynı zamanda kuasarın görünümünü aldatıcı bir şekilde değiştirebilir.

Araya giren mercek galaksisindeki yıldızlardan gelen karışan ışık kuasarın daha mavi görünmesine neden olabilirken, uzay-zamanın bükülmesi onu bulanık veya çoğalmış gösterebilir. Bu etkilerin her ikisi de kuasar adayı olarak elenme olasılığını artırır.

Cambridge Üniversitesi’nde gökbilimci ve makalenin baş yazarı olan Xander Byrne liderliğindeki bir gökbilimci ekibi, kağıt Bu sonuçların sunulması Kraliyet Astronomi Derneği’nin Aylık Duyurularıdaha önceki araştırmalarda gözden kaçan mercekli kuasarları ortaya çıkarmak için yola çıktı.

Byrne, Karanlık Enerji Araştırması’ndan (DES) gelen kapsamlı veri arşivinde bu eksik hazineleri aramaya başladı. DES, NSF NOIRLab Programı olan ABD Ulusal Bilim Vakfı Cerro Tololo Inter-American Gözlemevi’ndeki Víctor M. Blanco 4 metrelik Teleskobu’na monte edilmiş Enerji Bakanlığı yapımı Karanlık Enerji Kamerası ile yürütüldü.

O halde, asıl zorluk, bu muazzam veri okyanusunun içinden bu kozmik mücevherleri ortaya çıkarmanın bir yolunu bulmaktı.

Tam DES veri kümesi 700 milyondan fazla nesneyi içerir. Byrne, bu arşivi, neredeyse her bakımdan kuasarlardan tamamen farklı olmalarına rağmen görüntülerde kuasarlara şaşırtıcı derecede benzeyebilen kahverengi cüceler gibi olası adayları filtrelemek için verileri diğer araştırmalardan alınan görüntülerle karşılaştırarak daralttı. Bu süreç, 7.438 nesne içeren çok daha yönetilebilir bir veri kümesi üretti.

Byrne, 7.438 nesneyi ararken verimliliği en üst düzeye çıkarması gerekiyordu, ancak geleneksel tekniklerin aradığı yüksek kırmızıya kaymalı mercekli kuasarları büyük ihtimalle kaçıracağını biliyordu. “Mercekli kuasarları erkenden yok etmekten kaçınmak için bir karşılaştırmalı öğrenme algoritması uyguladık ve harika çalıştı.”

Karşıt öğrenme, ardışık kararların her veri noktasını ne olduğu veya ne olmadığı durumuna göre bir gruba yerleştirdiği bir tür yapay zeka (YZ) algoritmasıdır. Byrne, “Sihir gibi görünebilir,” dedi, “ancak algoritma verilerde halihazırda bulunandan daha fazla bilgi kullanmaz. Makine öğrenimi, hangi veri parçalarının yararlı olduğunu bulmakla ilgilidir.”

Byrne’ın insan görsel yorumlamasına güvenmeme kararı, onu gözetimsiz bir yapay zeka sürecini düşünmeye yöneltti; bu da öğrenme sürecini bir insan yerine algoritmanın kendisinin yönlendirdiği anlamına geliyor.

Gözetimli makine öğrenme algoritmaları, bir insan programcı tarafından tanımlanan sözde yer seviyesindeki bir gerçeğe dayanır. Örneğin, süreç bir kedinin tanımıyla başlayabilir ve “Bu bir kedinin resmidir/değildir. Bu bir siyah kedinin resmidir/değildir.” gibi kararlarla devam edebilir.

Buna karşılık, gözetimsiz algoritmalar kararlarının temeli olarak başlangıçtaki, insan tarafından belirlenen tanıma güvenmezler. Bunun yerine, algoritma her veri noktasını kümedeki diğer veri noktalarına olan benzerliklerine göre sıralar. Burada, algoritma birden fazla hayvanın görüntüleri arasında benzerlikler bulur ve bunları kedi, köpek, zürafa, penguen vb. olarak gruplandırır.

Byrne’nin 7.438 nesnesiyle başlayarak, gözetimsiz algoritma nesneleri gruplara ayırdı. Coğrafi bir benzetmeyi benimseyen ekip, veri gruplarını bir takımada olarak adlandırdı. (Terim, nesneler arasında uzayda herhangi bir yakınlık anlamına gelmez. Onları “yakın” bir şekilde gruplandıran şey, gökyüzündeki konumları değil, özellikleridir.)

Bu takımadalar içinde, nesnelerin küçük bir “ada” alt kümesi olası kuasar adayları olarak gruplandırılmıştı. Bu adaylar arasında, dört tanesi bir çakıl yığınındaki mücevherler gibi göze çarpıyordu.

NSF NOIRLab tarafından işletilen Uluslararası Gemini Gözlemevi’nin bir yarısı olan Gemini Güney teleskobundan arşiv verilerini kullanan Byrne, “kuasar adası”ndaki 4 adaydan 3’ünün gerçekten de yüksek kırmızıya kaymalı kuasarlar olduğunu doğruladı. Ve bunlardan birinin Byrne’nin bulmayı umduğu kozmik ganimet olması çok muhtemeldir: kütleçekimsel olarak merceklenmiş yüksek kırmızıya kaymalı bir kuasar. Ekip şimdi kuasarın merceklenmiş doğasını doğrulamak için takip görüntülemesi planlıyor.

“Eğer doğrulanırsa, dört hedeften oluşan bir örnekte bir mercekli kuasarın keşfi oldukça yüksek bir başarı oranı olurdu! Ve eğer bu arama standart arama yöntemleri kullanılarak yürütülseydi, bu mücevherin gizli kalması muhtemeldi.”

Byrne’nin çalışması, yapay zekanın giderek büyüyen veri hazinelerini araştırırken gökbilimcilere nasıl yardımcı olabileceğine dair akıllıca bir örnek teşkil ediyor. Karanlık Enerji Spektroskopik Aleti’nin devam eden beş yıllık araştırması ve Vera C. Rubin Gözlemevi tarafından 2025’te yürütülecek olan Legacy Araştırması ve Uzay ve Zaman’ın yanı sıra önümüzdeki yıllarda büyük miktarda astronomik veri akışı bekleniyor.