NASA’nın Hubble Uzay Teleskobu tarafından çekilen bu görüntü, büyük bir gökada kümesinin önünde bir sarmal gökadayı (sol altta) göstermektedir. Yeni araştırma, gökada kümelerinin kütlelerini daha doğru bir şekilde tahmin etmek için yapay bir araçtan yararlandı. Kredi: ESA/Hubble ve NASA
Institute for Advanced Study ve Flatiron Institute’daki gökbilimciler, işbirlikçileriyle birlikte, büyük gökada kümelerinin kütlesini hesaplama yöntemini geliştirmek için yapay zekadan yararlandı. Yapay zeka, araştırmacıların mevcut bir denkleme basit bir terim ekleyerek artık eskisinden çok daha doğru kütle tahminleri elde edebildiklerini ortaya çıkardı.
Astrofizikçiler tarafından yayınlanan bir rapora göre, yeni geliştirilmiş hesaplamalar, bilim insanlarının evrenin temel özelliklerini daha büyük bir hassasiyetle belirlemelerine olanak tanıyacak. Ulusal Bilimler Akademisi Bildiriler Kitabı.
“Bu çok basit bir şey; New York City’deki Flatiron Enstitüsü’nün Hesaplamalı Astrofizik Merkezi’nde (CCA) araştırma bilimcisi olan çalışma ortak yazarı Francisco Villaescusa-Navarro, bunun güzelliği bu, ”diyor. “Bu kadar basit olmasına rağmen, daha önce kimse bu terimi bulamadı. İnsanlar onlarca yıldır bunun üzerinde çalışıyor ve hala bunu bulamadılar.”
Çalışma, New Jersey, Princeton’daki İleri Araştırma Enstitüsü’nden Digvijay Wadekar’ın yanı sıra CCA, Princeton Üniversitesi, Cornell Üniversitesi ve Astrofizik Merkezi | Harvard ve Smithsonian.
Evreni anlamak, nerede ve ne kadar eşya olduğunu bilmeyi gerektirir. Galaksi kümeleri, evrendeki en büyük kütleli nesnelerdir: Tek bir küme, yüzlerce ila binlerce galaksiyi içerebilir.[{” attribute=””>plasma, hot gas, and dark matter. The cluster’s gravity holds these components together. Understanding such galaxy clusters is crucial to pinning down the origin and continuing evolution of the universe.
Perhaps the most crucial quantity determining the properties of a galaxy cluster is its total mass. But measuring this quantity is difficult — galaxies cannot be ‘weighed’ by placing them on a scale. The problem is further complicated because the dark matter that makes up much of a cluster’s mass is invisible. Instead, scientists deduce the mass of a cluster from other observable quantities.
The performance of the new equation from symbolic regression is shown in the middle panel, whereas that of the traditional method is shown in the top. The lower panel explicitly quantifies the reduction in the scatter. Credit: D. Wadekar et al./Proceedings of the National Academy of Sciences 2023
In the early 1970s, Rashid Sunyaev, current distinguished visiting professor at the Institute for Advanced Study’s School of Natural Sciences, and his collaborator Yakov B. Zel’dovich developed a new way to estimate galaxy cluster masses. Their method relies on the fact that as gravity squashes matter together, the matter’s electrons push back. That electron pressure alters how the electrons interact with particles of light called photons. As photons left over from the Big Bang’s afterglow hit the squeezed material, the interaction creates new photons. The properties of those photons depend on how strongly gravity is compressing the material, which in turn depends on the galaxy cluster’s heft. By measuring the photons, astrophysicists can estimate the cluster’s mass.
However, this ‘integrated electron pressure’ is not a perfect proxy for mass, because the changes in the photon properties vary depending on the galaxy cluster. Wadekar and his colleagues thought an artificial intelligence tool called ‘symbolic regression’ might find a better approach. The tool essentially tries out different combinations of mathematical operators — such as addition and subtraction — with various variables, to see what equation best matches the data.
Wadekar and his collaborators ‘fed’ their AI program a state-of-the-art universe simulation containing many galaxy clusters. Next, their program, written by CCA research fellow Miles Cranmer, searched for and identified additional variables that might make the mass estimates more accurate.
AI is useful for identifying new parameter combinations that human analysts might overlook. For example, while it is easy for human analysts to identify two significant parameters in a dataset, AI can better parse through high volumes, often revealing unexpected influencing factors.
“Right now, a lot of the machine-learning community focuses on deep neural networks,” Wadekar explained. “These are very powerful, but the drawback is that they are almost like a black box. We cannot understand what goes on in them. In physics, if something is giving good results, we want to know why it is doing so. Symbolic regression is beneficial because it searches a given dataset and generates simple mathematical expressions in the form of simple equations that you can understand. It provides an easily interpretable model.”
The researchers’ symbolic regression program handed them a new equation, which was able to better predict the mass of the galaxy cluster by adding a single new term to the existing equation. Wadekar and his collaborators then worked backward from this AI-generated equation and found a physical explanation. They realized that gas concentration correlates with the regions of galaxy clusters where mass inferences are less reliable, such as the cores of galaxies where supermassive black holes lurk. Their new equation improved mass inferences by downplaying the importance of those complex cores in the calculations. In a sense, the galaxy cluster is like a spherical doughnut. The new equation extracts the jelly at the center of the doughnut that can introduce larger errors, and instead concentrates on the doughy outskirts for more reliable mass inferences.
The researchers tested the AI-discovered equation on thousands of simulated universes from the CCA’s CAMELS suite. They found that the equation reduced the variability in galaxy cluster mass estimates by around 20 to 30 percent for large clusters compared with the currently used equation.
The new equation can provide observational astronomers engaged in upcoming galaxy cluster surveys with better insights into the mass of the objects they observe. “There are quite a few surveys targeting galaxy clusters [that] yakın gelecekte planlanıyor,” dedi Wadekar. “Örnekler arasında Simons Gözlemevi, Aşama 4 CMB deneyi ve eROSITA adlı bir X-ışını araştırması yer alıyor. Yeni denklemler, bu anketlerden elde edilen bilimsel getiriyi en üst düzeye çıkarmamıza yardımcı olabilir.”
Wadekar ayrıca konu astrofizikte sembolik regresyonu kullanmaya geldiğinde bu yayının buzdağının sadece görünen kısmı olacağını umuyor. “Sembolik regresyonun birçok astrofiziksel soruyu yanıtlamak için oldukça uygulanabilir olduğunu düşünüyoruz” dedi. “Astronomideki pek çok durumda, insanlar iki parametre arasında doğrusal bir uyum sağlar ve diğer her şeyi göz ardı eder. Ancak günümüzde bu araçlarla daha da ileri gidebilirsiniz. Sembolik regresyon ve diğer yapay zeka araçları, dış gezegenler gibi küçük astrofiziksel sistemleri araştırmaktan evrendeki en büyük şeyler olan galaksi kümelerine kadar çeşitli şekillerde mevcut iki parametreli güç yasalarının ötesine geçmemize yardımcı olabilir.”
Referans: “Astrofiziksel ölçekleme ilişkilerini artırma makine öğrenme: Digvijay Wadekar, Leander Thiele, Francisco Villaescusa-Navarro, J. Colin Hill, Miles Cranmer, David N. Spergel, Nicholas Battaglia, Daniel Anglés-Alcázar, Lars Hernquist ve Shirley tarafından Sunyaev–Zeldovich akı-kütle saçılımını azaltma uygulaması” Ho, 17 Mart 2023, Ulusal Bilimler Akademisi Bildiriler Kitabı.
DOI: 10.1073/pnas.2202074120
