Evren süper kütleli kara deliklerle doludur ve galaksimiz de bir istisna değildir. Ancak nasıl bu kadar büyüdükleri ve evrimlerinin altında hangi süreçlerin yattığı konusunda hala birçok soru var.
Gökbilimcilerin karşılaştığı zorluklardan biri gözlemsel verilerdeki kara delikleri tanımlamaktır. Bu nesneler genellikle birleşen gökadalarda bulunur, bu nedenle daha ileri çalışmalar için ilk gökadaları doğru bir şekilde tanımlamak gerekir. Daha önce bu manuel olarak yapılıyordu ancak makine öğrenimindeki ilerlemelerle birlikte yeni olanaklar ortaya çıktı. Yeni araştırmalar, makine öğrenimi tekniklerinin kullanılmasının kara deliklerin otomatik olarak tanımlanmasına yardımcı olabileceğini buldu.
Mevcut ve gelecekteki gökyüzü araştırmalarının yetenekleri sayesinde, astronomi için zorluk, doğru verileri toplamaktan çok, geniş bir gözlem dizisinden doğru verileri filtrelemekle ilgilidir. Birleşen bir galaksiyi düzensiz bir galaksiden veya aynı gökyüzü parçasını paylaşan iki farklı galaksiden ayırmak büyük bir görsel deneyim gerektirir. İnsanlar bunu iyi bir şekilde yapabilecek kapasitededir ancak ihtiyaçlar, nitelikli insan sayısından çok daha fazladır. Bu sorunun üstesinden gelmenin bir yolu, gönüllüleri boşluğu doldurmaya davet etmektir. Genel olarak, bunların tanımlanması profesyonellerinki kadar doğru olmayacaktır ancak yine de gökbilimcilere yararlı bilgiler sağlayacaktır.
Yeni çalışma farklı bir yaklaşım benimsiyor. Gökbilimcilerden oluşan bir ekip, galaksi birleşme verilerindeki kara delikleri tanıyacak ve tanımlayacak algoritmaları eğitmek için makine öğrenimi tekniklerini kullanan bir çalışma yürüttü. Bu yöntemin zorluğu, en deneyimli uzmanın bazen hata yapması ve bu uzmanın işaretlemesine göre eğitilen algoritmaların da aynı “önyargılara” sahip olmasıdır.
Bu nedenle ekip, kara delik evrimi verileri için bir eğitim ağı sağlayan Kara Delik Evrimi Araştırması için Büyük Veri Uygulamaları (BiD4BEST) projesiyle işbirliği içinde çalıştı. Deneyimli uzmanlarla birlikte hem simüle edilmiş verilerde hem de Sloan Digital Sky Survey (SDSS) verilerinde kara delik birleşmelerinin kanıtlarını belirlediler. Ekip, bu iki ölçümü karşılaştırarak makine öğrenimi algoritmasının verilerindeki önyargıları ortadan kaldırmayı başardı. Bunun etkili bir yaklaşım olduğu kanıtlanmıştır. Sonuçlar, algoritmanın doğruluğunun %80’den fazla olduğunu gösterdi; bu, en deneyimli uzmanların çalışmalarıyla karşılaştırılabilecek düzeydedir.
Ekip daha sonra 8.000’den fazla aktif kara deliği tanımlamak için bu algoritmalara dayalı bir yazılım kullandı. Sonuç olarak kara deliklerin büyümesi ile onları barındıran galaksilerin özellikleri arasında ilginç bir ilişki keşfedildi. Galaksi birleşmelerinin süper kütleli kara deliklerin büyümesini belirlemediği ve galaksideki yakındaki soğuk gaz miktarının kilit rolü oynadığı ortaya çıktı. Uzmanlar, kara deliklerin hızlı büyümesine yalnızca gaz ve toz içeren galaksilerin birleşmesinin katkıda bulunduğunu belirledi. Böylece yıldızların oluşumuna yol açan koşullar kara deliklerin oluşumuna ve büyümesine de katkıda bulunuyor.
Toplanan astronomik verilerin hacmindeki hızlı büyüme bağlamında yazılım, deneyimli gözlemcilerin çalışmalarını tamamlayabilecek ayrılmaz bir araç haline geliyor. Bu araştırma sayesinde kara deliklerin ve bunların Evrenin evrimindeki rollerinin incelenmesinde yeni ufuklar açılıyor.
