Astrofizikçiler, biraz makine öğrenimi büyüsü kullanarak artık geniş, karmaşık evrenleri geleneksel yöntemlere göre binde bir sürede simüle edebiliyorlar. Yeni yaklaşımın yaratıcıları, 4 Mayıs'ta çevrimiçi olarak yayınlanan bir çalışmada, yüksek çözünürlüklü kozmolojik simülasyonlarda yeni bir çağın başlamasına yardımcı olacak. Ulusal Bilimler Akademisi Tutanakları.

New York City'deki Flatiron Enstitüsü'nde bir astrofizikçi olan çalışmanın baş yazarı Yin Li, "Şu anda, hesaplama süresindeki kısıtlamalar genellikle evreni hem yüksek çözünürlükte hem de büyük hacimde simüle edemeyeceğimiz anlamına geliyor" diyor. "Yeni tekniğimizle, her ikisine de verimli bir şekilde sahip olmak mümkün. Gelecekte, bu yapay zeka tabanlı yöntemler belirli uygulamalar için norm haline gelecek.”

Li ve meslektaşları tarafından geliştirilen yeni yöntem, hem düşük hem de yüksek çözünürlükte küçük bir alan bölgesinin modelleriyle bir makine öğrenimi algoritmasını besliyor. Algoritma, düşük çözünürlüklü modellerin yüksek çözünürlüklü sürümlerde bulunan ayrıntılarla eşleşmesi için nasıl yükseltileceğini öğrenir. Eğitildikten sonra, kod tam ölçekli düşük çözünürlüklü modelleri alabilir ve 512 kata kadar daha fazla parçacık içeren "süper çözünürlüklü" simülasyonlar oluşturabilir.

İşlem, bulanık bir fotoğraf çekmeye ve eksik ayrıntıları tekrar ekleyerek onu keskin ve net hale getirmeye benzer.

Bu yükseltme, önemli ölçüde zaman tasarrufu sağlar. Evrende kabaca 500 milyon ışıkyılı genişliğinde ve 134 milyon parçacık içeren bir bölge için, mevcut yöntemlerin tek bir işlem çekirdeği kullanarak yüksek çözünürlüklü bir simülasyon üretmesi için 560 saat gerekir. Yeni yaklaşımla, araştırmacıların yalnızca 36 dakikaya ihtiyacı var.

Simülasyona daha fazla parçacık eklendiğinde sonuçlar daha da çarpıcıydı. 1,000 milyar parçacıkla 134 kat daha büyük bir evren için, araştırmacıların yeni yöntemi tek bir grafik işleme biriminde 16 saat sürdü. Li, mevcut yöntemlerin o kadar uzun süreceğini ve özel süper bilgi işlem kaynakları olmadan çalıştırmaya bile değmeyeceklerini söylüyor.

Li, Flatiron Enstitüsü'nün Hesaplamalı Astrofizik Merkezi ve Hesaplamalı Matematik Merkezi'nde ortak araştırma görevlisidir. Carnegie Mellon Üniversitesi'nden Yueying Ni, Rupert Croft ve Tiziana Di Matteo ile çalışmanın ortak yazarlığını yaptı; Riverside, California Üniversitesi'nden Simeon Bird; ve Kaliforniya Üniversitesi, Berkeley'den Yu Feng.

Kozmolojik simülasyonlar astrofizik için vazgeçilmezdir. Bilim adamları, evreni birbirinden ayıran karanlık enerjinin zaman içinde değişip değişmediği gibi çeşitli senaryolarda evrenin nasıl görüneceğini tahmin etmek için simülasyonları kullanır. Teleskop gözlemleri, simülasyonların tahminlerinin gerçeklikle eşleşip eşleşmediğini doğrulayabilir. Test edilebilir tahminler oluşturmak, simülasyonları binlerce kez çalıştırmayı gerektirir, bu nedenle daha hızlı modelleme saha için büyük bir nimet olacaktır.

Di Matteo, kozmolojik simülasyonları çalıştırmak için gereken süreyi azaltmanın "sayısal kozmoloji ve astrofizikte büyük ilerlemeler sağlama potansiyeline sahip olduğunu" söylüyor. "Kozmolojik simülasyonlar, tüm galaksilerin ve onların kara deliklerinin oluşumuna kadar evrenin tarihini ve kaderini takip ediyor."

Şimdiye kadar, yeni simülasyonlar yalnızca karanlık maddeyi ve yerçekimi kuvvetini dikkate alıyor. Bu aşırı basitleştirme gibi görünse de, yerçekimi büyük ölçeklerde evrenin baskın gücüdür ve karanlık madde evrendeki tüm "malzemenin" yüzde 85'ini oluşturur. Simülasyondaki parçacıklar gerçek anlamda karanlık madde parçacıkları değil, bunun yerine karanlık madde parçacıklarının evrende nasıl hareket ettiğini göstermek için izleyici olarak kullanılıyor.

Ekibin kodu, yerçekiminin karanlık maddeyi zaman içinde nasıl hareket ettireceğini tahmin etmek için sinir ağlarını kullandı. Bu tür ağlar, eğitim verilerini alır ve bilgileri kullanarak hesaplamalar yapar. Sonuçlar daha sonra beklenen sonuçla karşılaştırılır. Daha fazla eğitimle, ağlar uyum sağlar ve daha doğru hale gelir.

Araştırmacılar tarafından kullanılan ve üretken bir düşmanlık ağı olarak adlandırılan özel yaklaşım, iki sinir ağını birbirine düşürüyor. Bir ağ, evrenin düşük çözünürlüklü simülasyonlarını alır ve bunları yüksek çözünürlüklü modeller oluşturmak için kullanır. Diğer ağ, bu simülasyonları geleneksel yöntemlerle yapılanlardan ayrı olarak anlatmaya çalışır. Zamanla, her iki sinir ağı daha iyi ve daha iyi hale gelir, ta ki sonuçta simülasyon üreteci kazanır ve aynı yavaş geleneksel ağlara benzeyen hızlı simülasyonlar oluşturur.

Li, "İki yıldır çalıştıramadık," diyor ve "birdenbire çalışmaya başladı. Beklediğimizle eşleşen güzel sonuçlar aldık. Hatta kendimiz bazı kör testler yaptık ve çoğumuz hangisinin 'gerçek', hangisinin 'sahte' olduğunu söyleyemedik.”

Sadece küçük uzay alanları kullanılarak eğitilmiş olmasına rağmen, sinir ağları, yalnızca muazzam simülasyonlarda görünen büyük ölçekli yapıları doğru bir şekilde kopyaladı.

Yine de simülasyonlar her şeyi yakalamıyor. Yalnızca karanlık madde ve yerçekimine odaklandıkları için, yıldız oluşumu, süpernovalar ve kara deliklerin etkileri gibi daha küçük ölçekli olaylar dışarıda bırakılır. Araştırmacılar, yöntemlerini bu tür olaylardan sorumlu güçleri içerecek şekilde genişletmeyi ve doğruluğu artırmak için geleneksel simülasyonların yanı sıra sinir ağlarını "hareket halinde" çalıştırmayı planlıyorlar. Li, "Bunu tam olarak nasıl yapacağımızı henüz bilmiyoruz, ancak ilerleme kaydediyoruz" diyor.

###