Haber Detayı
Evrenin sırlarını çözmek için geliştirilen yapay zeka aracı: Effort.jl
Bilim insanları, Evren’in büyük ölçekli yapısını anlamak için kullanılan karmaşık modellerin hızını artıran yeni bir emülatör geliştirdi. Effort.jl, süper bilgisayar yerine bir dizüstü bilgisayarda dakikalar içinde çalışabiliyor.
Galaksiler, kümeler, süperkümeler ve bunların oluşturduğu kozmik ağ, Evren’in devasa bir üç boyutlu iskeletini meydana getiriyor.
Bu yapıyı anlamak için bilim insanları, gözlemsel verileri fizik kurallarıyla birleştirerek teorik modeller oluşturuyor.
Bu modellerden biri olan EFTofLSS (Effective Field Theory of Large-Scale Structure), Evren’in büyük ölçekli yapısını istatistiksel olarak açıklıyor ve temel parametrelerini tahmin ediyor.Ancak bu modellerin çalıştırılması hem zaman hem de yüksek hesaplama gücü gerektiriyor.
Günümüzde astronomik veri setleri hızla büyüdüğü için analiz sürecini hızlandıracak yöntemlere ihtiyaç duyuluyor.
İşte bu noktada emülatörler devreye giriyor: Modellerin davranışını taklit ederek çok daha hızlı sonuç üretiyorlar.İtalya’dan INAF ve Parma Üniversitesi ile Kanada’dan Waterloo Üniversitesi’nin de aralarında bulunduğu uluslararası bir ekip, Effort.jl adlı emülatörü geliştirdi.
Araştırma, Journal of Cosmology and Astroparticle Physics (JCAP) dergisinde yayımlandı.Effort.jl, EFTofLSS modelinin doğruluğunu korurken hesaplama süresini dramatik şekilde azaltıyor.
Süper bilgisayar gerektiren işlemleri, standart bir dizüstü bilgisayarda dakikalar içinde tamamlayabiliyor.
Araştırmanın ilk yazarı Waterloo Üniversitesi’nden Marco Bonici, durumu şöyle açıklıyor:“Bir bardak sudaki atomları tek tek incelemek mümkün, ama suyun hareketini tüm detaylarıyla hesaplamak neredeyse imkânsız.
Etkin alan teorisi, bu karmaşıklığı azaltarak büyük ölçekli davranışı anlamamızı sağlıyor.
Effort.jl de bu süreci hızlandırıyor.” YAPAY ZEKA VE FİZİK BİLGİSİ BİR ARADAEffort.jl’nin temelinde bir yapay sinir ağı bulunuyor.
Bu ağ, modelin daha önce ürettiği çıktılardan öğrenerek yeni parametre kombinasyonları için tahmin yapabiliyor.
Emülatör, fiziksel bilgiyi algoritmaya entegre ederek öğrenme süresini kısaltıyor ve daha az veriyle yüksek doğruluk sağlıyor.
Ayrıca, parametrelerdeki küçük değişimlerin etkisini gösteren gradyan bilgisi de kullanılıyor.
Bu sayede eğitim süresi ve hesaplama maliyeti minimuma iniyor.DOĞRULUK TESTLERİ BAŞARILIAraştırma, Effort.jl’nin hem simülasyon hem de gerçek veriler üzerinde EFTofLSS ile neredeyse aynı doğrulukta sonuçlar verdiğini gösteriyor.
Hatta bazı durumlarda, modelin hız için kısalttığı analiz parçalarını da ekleyerek daha detaylı sonuçlar üretebiliyor.
Bu özellik, DESI ve Euclid gibi büyük gökyüzü taramalarından gelecek dev veri setlerinin analizinde kritik önem taşıyor.
