Bilim insanları, kara deliklerin veya nötron yıldızlarının birleşmesi gibi kozmik olaylardan yayılan kütleçekim dalgalarından elde edilen bilgileri daha doğru yorumlamak için yeni bir makine öğrenmesi yöntemi geliştirdi. Bu yeni yaklaşım, onlarca yıldır sorgulanmayan eski bir varsayımı yıkarak, özellikle birleşen nesnelerin özelliklerini belirlemede önemli iyileştirmeler sağlıyor.
Eski Etiketleme Yöntemi Kafa Karıştırıyordu
Kütleçekim dalgaları, 2015’teki ilk tespitlerinden bu yana evreni anlamak için hayati bir araç haline geldi. Özellikle iki devasa nesnenin (kara delik veya nötron yıldızı gibi) birbirine yaklaşıp birleştiği ikili sistemler hakkında bize bilgi veriyorlar. Ancak bu sistemlerdeki iki nesneyi tanımlarken kullanılan geleneksel bir yöntem vardı: Daha ağır olana “1”, diğerine “2” etiketi vermek. Phys.org’da yer alan habere göre, bu basit etiketleme, iki nesnenin kütleleri birbirine çok yakın olduğunda (ölçüm hatası payı içinde kaldığında) veya dönüş (spin) gibi diğer özellikleri benzer olduğunda kafa karıştırıcı ve yanıltıcı olabiliyordu.
Makine Öğrenmesi ‘Büyük Resme’ Odaklandı
İtalya’daki Milano-Bicocca Üniversitesi’nden Dr. Davide Gerosa liderliğindeki araştırma ekibi, bu soruna farklı bir açıdan yaklaştı. Tek bir özelliğe (kütle gibi) bakarak etiketleme yapmak yerine, makine öğrenmesinin bir türü olan “kısıtlı kümeleme” yöntemini kullandılar. Bu yöntemde, yapay zeka tüm veri setindeki desenleri inceliyor ve nesneleri ayırt etmenin en uygun yolunu kendisi buluyor. Tek kısıtlama, aynı olaydaki iki nesnenin farklı kategorilere atanması gerektiği. Yani, hangi özelliğin daha belirleyici olduğuna önceden karar vermek yerine, verinin kendisi konuşuyor. Dr. Gerosa, “Etiketleme stratejisinin, kütleçekim dalgası verilerine bakarken vermemiz gereken bilinçli bir seçim olduğunun farkına varmak anahtar noktaydı. Bu, daha derinlemesine araştırılması gereken kavramsal bir konu,” diyor.
Kara Deliklerin Dönüş Hızı %50 Daha Hassas Ölçüldü
Ekip, geliştirdikleri makine öğrenmesi modelini hem teorik verilerle hem de LIGO, Virgo ve KAGRA dedektörlerinden alınan gerçek kütleçekim dalgası verileriyle test etti. Sonuçlar oldukça etkileyiciydi: Kara deliklerin dönüş (spin) hızlarının ölçümündeki hassasiyet %50’ye varan oranlarda arttı! Ayrıca, verilerdeki belirsizliği gösteren ikili (bimodal) dağılımlar ortadan kalktı. Bu sayede bilim insanları artık bir sistemdeki nesnenin kara delik mi yoksa nötron yıldızı mı olduğunu daha güvenle ayırt edebiliyor. Dr. Gerosa, “Makalemiz, bireysel dönüş ölçümlerinin %50’ye kadar iyileşebileceğini gösteriyor. Bu çok önemli. Normalde bu kadar ek doğruluk yeni aletler gerektirirdi, biz ise bunun veri analiziyle başarılabileceğini gösteriyoruz,” diye vurguluyor.
Yanlış Yorumlama Riski Azaldı: Örnek Olay İncelendi
Yeni yöntemin olayların yorumunu nasıl değiştirebileceğine dair çarpıcı bir örnek de var. GW191103_012549 olarak adlandırılan bir kütleçekim dalgası olayında, geleneksel yöntemle yapılan analiz, sistemdeki kara deliklerden birinin yörünge hareketinin tersi yönde dönme ihtimalini %13 olarak veriyordu. Ancak yeni makine öğrenmesi yöntemiyle bu olasılık sadece %0.1’e düştü! Yani, kara deliğin yörüngeyle aynı yönde döndüğü neredeyse kesinleşti. Bu, kara deliklerin nasıl oluştuğunu anlamak için kritik öneme sahip olan dönüş özelliklerinin daha doğru belirlenmesi anlamına geliyor.
Gelecek Gözlemler İçin de Yeni Bir Kapı Aralandı
Dr. Gerosa, geliştirdikleri bu analizin sadece mevcut dedektörlerden (LIGO, Virgo, KAGRA) gelen verileri değil, aynı zamanda gelecekteki LISA ve Einstein Teleskobu gibi gözlemevlerinden gelecek verileri de etkileyeceğini belirtiyor. Bu çalışma, veri analizindeki temel varsayımları yeniden gözden geçirmenin, yeni bir bilgiye ihtiyaç duymadan bile ne kadar önemli sonuçlar doğurabileceğinin klasik bir örneğini sunuyor.
Yapay Zeka Kütleçekim Dalgalarının Şifresini Daha İyi Çözdü yazısı ilk önce BeeTekno yayınlanmıştır.