Yapay Zekâdan Müthiş Başarı: Kütleçekim Dalgası Kaynaklarını 1 Saniyede Bulabiliyor!

Bir araştırma ekibi, yerçekimi dalgalarının kaynaklarını daha hassas bir şekilde tespit etmeyi ve bu gizemli olayların keşfini hızlandırmayı vaat eden yeni bir yöntem geliştirdi.

Ekibin araştırması, bugün Nature dergisinde yayınlanan çalışmasında neutron yıldız birleşmelerinin yerçekimi dalgası yayılımlarını inceleyen bir algoritma sunuyor. Bu olaylar tespit edildiğinde, dünya çapındaki astronomlar haberdar edilebilir ve bu kısa ömürlü, gizemli yerçekimi dalgası kaynakları hakkında olabildiğince fazla bilgi toplanabilir.

Biraz yavaşlayalım. Yerçekimi dalgaları, yüz yıldan daha uzun bir süre önce Einstein tarafından öngörülen, ancak ilk kez 2015’te LIGO-Virgo-KAGRA İşbirliği’nin bir parçası tarafından gözlemlenen uzay-zaman dalgalanmalarıdır. Yerçekimi dalgaları, evrenin en yoğun nesnelerinden bazıları olan kara delikler ve nötron yıldızlarının etkileşimleri sonucunda oluşurlar.

Ekibin algoritması, yavaşça birbirlerine yaklaşarak birleşen ve bu nedenle “nötron yıldız birleşmesi” olarak adlandırılan, ölüm dansında olan nötron yıldızlarını hedef aldı. Nötron yıldızları ve kara deliklerin yaydığı yerçekimi dalgalarının algılanması astronomların nötron yıldızlarının yapısını anlamasına, bazı ağır elementlerin kökenini çözmesine, genel görelilik kuramını daha iyi test etmesine ve evrenin genişleme hızını ölçmesine yardımcı olabilir ve hatta karanlık maddenin doğasına ışık tutabilir.

Yapay zeka, bu yerçekimi dalgası olaylarının analizini hızlandırabilir ve ekibin sonuçlarına göre, kaynak birleşmesinin konumunun öngörü doğruluğunu artırabilir. Ekibe göre, bu yöntem sadece bir saniye içinde yerçekimi dalgalarının kökenini değerlendirebilir ve LISA gibi bir sonraki jenerasyon yerçekimi dalgası dedektörleri için veri analizi için bir şablon olarak hizmet edebilir.

“Eğitim verildikten sonra, yeni bir gözlem yapıldığında, sinir ağı ölçümü girdi olarak alır ve BNS [ikili nötron yıldızı] özelliklerini (konum dahil) bir saniye içinde tahmin eder,” dedi çalışma lideri ve Makine Öğrenimi araştırmacısı olan Maximilian Dax, Tübingen Üniversitesi’nde fizikçi, Gizmodo’ya bir e-posta görüşmesinde. “Bu kadar hızlı olmasının nedeni, çıkarımda yeni GW [yerçekimi dalgası] simülasyonlarına ihtiyacımız olmaması.”

“Bu metodumuzun, BNS birleşmelerinden yayılan daha fazla elektromanyetik sinyal gözlemlemeye ve bunları daha erken (örneğin birleşmeye daha yakın) gözlemlemeye yardımcı olacağını umuyoruz,” diye ekledi Dax. “Böyle çoklu-mesajcı gözlemler son derece heyecan verici ve kozmoloji, nükleer fizik ve yerçekimi gibi birçok alanda önem arz ediyor.”

Ekibin algoritması, önceki sürümlere kıyasla sonuçlarında %30 daha doğru ve astronomların hangi birleşme olaylarının daha ileri, genellikle zaman hassasiyeti gerektiren, gözlemler gerektirdiğini belirlemesine yardımcı olabilir.

“Makine öğrenimi, yerçekimi dalgası araştırmalarında mevcut analiz tekniklerini geliştirmek ya da hatta bunların yerine geçmek için son zamanlarda çok fazla dikkat çekti,” dedi Michael Williams, Birleşik Krallık’taki Portsmouth Üniversitesi’nde bir kozmolog, bir Haber & Görünüm makalesinde.

“Ancak birkaç zorluk devam ediyor,” diye ekledi. “Makine öğrenim algoritmalarının performansı genelde eğitimine büyük ölçüde bağlıdır. Bu algoritma için bir problem, yerçekimi dalga dedektörlerindeki gerçek gürültünün zamanla eğirim sırasında varsayılan özelliklerden farklılık göstermesidir. Bu, sonuçları çarpıtabilecek sistematik hatalar yaratır.”

“Asıl ateşli sınav,” diye sonuçladı Williams, ekibin algoritmasının bir sonraki ikili nötron yıldız birleşmesi gerçekleştiğinde bilgileri yayabilme kapasitesi olup olmayacağıdır.

Zaman, makine öğrenim temelli yaklaşımın ne kadar etkili olduğunu gösterecek, ancak yakın gelecekte devreye girecek olan son teknoloji gözlemevleri – belki de en dikkat çekici olanı Vera Rubin Gözlemevi ve LSST Kamerası – ile evrenin geçici olaylarını mümkün olan en kısa sürede tespit etmek kritik bir görev olacaktır.