Bilim adamları, gama ışını patlamalarına (GRB’ler) yönelik mesafe ölçümlerinin hassasiyetini önemli ölçüde artırmak için gelişmiş makine öğrenimi tekniklerini uyguladılar. NASA’nın Swift Gözlemevi’nden alınan verileri makine öğrenimi modelleriyle birleştirerek, GRB mesafelerinin daha doğru tahmin edilmesini sağladılar, kozmik olayların daha iyi anlaşılmasına yol açtılar ve gelecekteki astronomik keşiflerin önünü açtılar. Kredi bilgileri: SciTechDaily.com
Makine öğrenimi, gama ışını patlamaları için kesin tahminler sağlayarak ve kozmik keşiflere yardımcı olarak astronomide mesafe ölçümünde devrim yaratıyor.
Yapay zekanın (AI) ortaya çıkışı, hayatımızın neredeyse her yönünü iyileştirecek bir olasılıklar evreninin önünü açtığı için birçok kişi tarafından toplumsal oyunun kurallarını değiştiren bir gelişme olarak selamlandı.
Gökbilimciler artık evrenimizin genişlemesini ölçmek için kelimenin tam anlamıyla yapay zekayı kullanıyor.
Kozmik Ölçümlerde Öncü Hassasiyet
UNLV’nin Nevada Astrofizik Merkezi’nde misafir profesör ve Japonya Ulusal Astronomi Gözlemevi’nde (NAOJ) yardımcı doçent olan Maria Dainotti’nin liderliğindeki iki yeni çalışma, birden fazla çalışmayı bir araya getirdi. makine öğrenme Evrendeki en parlak ve şiddetli patlamalar olan gama ışını patlamaları (GRB’ler) için mesafe ölçümlerine yeni bir hassasiyet düzeyi ekleyen modeller.
GRB’ler sadece birkaç saniye içinde güneşimizin tüm ömrü boyunca saldığı enerji miktarının aynısını serbest bırakır. Çok parlak oldukları için GRB’ler, görünür evrenin sınırları da dahil olmak üzere birçok mesafeden gözlemlenebilir ve gökbilimcilere en eski ve en uzak yıldızları takip etme arayışlarında yardımcı olur. Ancak mevcut teknolojinin sınırları nedeniyle, bilinen GRB’lerin yalnızca küçük bir yüzdesi, gökbilimcilerin ne kadar uzakta oluştuklarını hesaplamalarına yardımcı olacak tüm gözlemsel özelliklere sahiptir.
Burada gösterilen Swift, NASA’nın Greenbelt, Maryland’deki Goddard Uzay Uçuş Merkezi, University Park’taki Penn State, New Mexico’daki Los Alamos Ulusal Laboratuvarı ve Dulles, Virginia’daki Northrop Grumman İnovasyon Sistemleri arasındaki bir işbirliğidir. Diğer ortaklar arasında Birleşik Krallık’taki Leicester Üniversitesi ve Mullard Uzay Bilimleri Laboratuvarı, İtalya’daki Brera Gözlemevi ve İtalyan Uzay Ajansı bulunmaktadır. Katkıda bulunanlar: NASA’nın Goddard Uzay Uçuş Merkezi/Chris Smith (KBRwyle)
Yapay Zekayla Gama Işını Patlaması Araştırmasını Geliştirme
Dainotti ve ekipleri GRB verilerini birleştirdi NASAMevcut gözlem teknolojisinin sınırlamalarının üstesinden gelmek ve daha kesin olarak, mesafenin bilinmediği GRB’lerin yakınlığını tahmin etmek için birden fazla makine öğrenimi modeline sahip Neil Gehrels Swift Gözlemevi. GRB’ler hem uzak hem de nispeten yakın mesafelerde gözlemlenebildiğinden, nerede oluştuklarını bilmek, bilim adamlarının yıldızların zaman içinde nasıl geliştiğini ve belirli bir uzay ve zamanda kaç tane GRB’nin oluşabileceğini anlamalarına yardımcı olabilir.
Dainotti, “Bu araştırma hem gama ışını astronomisinde hem de makine öğreniminde sınırları ileriye taşıyor” dedi. “Takip araştırması ve yenilik, daha da güvenilir sonuçlar elde etmemize yardımcı olacak ve evrenimizin ilk süreçleri ve zaman içinde nasıl geliştiği de dahil olmak üzere en acil kozmolojik soruların bazılarını yanıtlamamızı sağlayacak.”
Yapay Zeka Derin Uzay Gözleminin Sınırlarını Artırıyor
Polonya’daki Jagiellonian Üniversitesi’nde son sınıf doktora öğrencisi olan Dainotti ve Aditya Narendra, bir çalışmada, uzay Swift UltraViolet/Optik Teleskobu (UVOT) ve yer tabanlı teleskoplar tarafından gözlemlenen GRB’lerin mesafesini hassas bir şekilde ölçmek için çeşitli makine öğrenme yöntemleri kullandı. Subaru Teleskobu dahil. Ölçümler yalnızca mesafeyle ilgili olmayan diğer GRB özelliklerine dayanıyordu. Araştırma 23 Mayıs’ta yayınlandı. Astrofizik Günlük Mektupları.[1]
Narendra, “Bu çalışmanın sonucu o kadar kesindir ki, belirli bir hacim ve zamandaki GRB sayısını (hız olarak adlandırılır) tahmin edilen mesafeyi kullanarak belirleyebiliriz; bu da gerçek gözlemlenen tahminlere çok yakındır” dedi.
Süper Öğrenci: Astronomide Tahmin Gücünü Artırma
Dainotti ve uluslararası işbirlikçileri tarafından yürütülen bir başka çalışma, NASA’nın Swift X-ışını Teleskobu’ndan (XRT) uzun GRB’ler olarak bilinen gün batımı sonrası parlamalardan elde edilen verileri kullanarak makine öğrenimi ile GRB mesafesini ölçmede başarılı oldu. GRB’lerin farklı şekillerde meydana geldiğine inanılmaktadır. Uzun GRB’ler, büyük bir yıldızın ömrünün sonuna ulaşması ve muhteşem bir süpernova şeklinde patlamasıyla meydana gelir. Kısa GRB’ler olarak bilinen başka bir tür, nötron yıldızları gibi ölü yıldızların kalıntılarının yerçekimsel olarak birleşip birbirleriyle çarpışmasıyla meydana gelir.
Dainotti, bu yaklaşımın yeniliğinin, kolektif öngörü güçlerini geliştirmek için çeşitli makine öğrenimi yöntemlerinin birlikte kullanılmasından kaynaklandığını söylüyor. Superlearner adı verilen bu yöntem, her algoritmaya, değerleri 0 ila 1 arasında değişen bir ağırlık atar ve her ağırlık, o tekil yöntemin tahmin gücüne karşılık gelir.
Dainotti, “Superlearner’ın avantajı, nihai tahminin her zaman tekil modellerden daha performanslı olmasıdır” dedi. “Süper öğrenici aynı zamanda en az öngörücü olan algoritmaları atmak için de kullanılıyor.”
26 Şubat’ta yayınlanan bu çalışma Astrofizik DergisiTakviye Serisi,[2] Mesafesi bilinmeyen 154 uzun GRB’nin mesafesini güvenilir bir şekilde tahmin eder ve bu tür patlamalar arasında bilinen mesafelerin popülasyonunu önemli ölçüde artırır.
GRB Oluşumuna İlişkin Şaşırtıcı Sorulara Cevap Vermek
21 Şubat’ta yayınlanan üçüncü bir çalışma Astrofizik Günlük Mektupları[3] Stanford Üniversitesi’nden astrofizikçi Vahé Petrosian ve Dainotti liderliğindeki ekip, GRB oranının (en azından küçük göreceli mesafelerde) yıldız oluşum hızını takip etmediğini göstererek kafa karıştırıcı soruları yanıtlamak için Swift X-ışını verilerini kullandı.
Petrosian, “Bu, küçük mesafelerdeki uzun GRB’lerin büyük yıldızların çöküşüyle değil, daha ziyade nötron yıldızları gibi çok yoğun nesnelerin füzyonuyla üretilebileceği olasılığını ortaya çıkarıyor” dedi.
NASA’nın Swift Gözlemevi Konuk Araştırmacı programının (Döngü 19) desteğiyle Dainotti ve meslektaşları artık makine öğrenimi araçlarını etkileşimli bir web uygulaması aracılığıyla kamuya açık hale getirmek için çalışıyor.
Referanslar:
- Maria Giovanna Dainotti, Aditya Narendra, Agnieszka Pollo, Vahé Petrosian, Malgorzata Bogdan, Kazunari Iwasaki, Jason Xavier Prochaska, Enrico Rinaldi ve David Zhou, “İstatistiksel Öğrenme Yaklaşımıyla Mesafe Göstergeleri Olarak Gama Işını Patlamaları”, 24 Mayıs 2024, Astrofizik Günlük Mektupları.
DOI: 10.3847/2041-8213/ad4970 - Maria Giovanna Dainotti, Elias Taira, Eric Wang, Elias Lehman, Aditya Narendra, Agnieszka Pollo, Grzegorz M. Madejski, Vahe Petrosian, Malgorzata Bogdan, Apratim Dey tarafından yazılan “Makine Öğrenim Topluluğu Modeli ile 150’den Fazla GRB’nin Kırmızıya Kaymasının Çıkartılması” ve Shubham Bhardwaj, 26 Şubat 2024, Astrofizik Dergisi Ek Serisi.
DOI: 10.3847/1538-4365/ad1aaf - Vahé Petrosian ve Maria G. Dainotti tarafından yazılan “Düşük kırmızıya kaymalı Gama Işını Patlamalarının Ataları”, 21 Şubat 2024, Astrofizik Günlük Mektupları.
DOI: 10.3847/2041-8213/ad2763
uzay-2