Kozmoloji gündeme geldiğinde genellikle kozmik haritalar ve süpernovalara ait etkileyici görseller görüyoruz. Ancak gerçekte bilim insanları, aylar hatta yıllar boyunca yüzlerce ya da binlerce hesaplama ve simülasyonu inceliyor. Bazı bilim insanları ise bu yükü azaltmak için birçoğumuz gibi yapay zekâya yönelmiş durumda. Ancak yeni bir araştırma, bu yaklaşıma dair dikkat çeken bir sonuç ortaya koyuyor.
ÖNYARGILAR GELİŞTİRDİ
Gizmodo’da yer alan habere göre, Journal of Cosmology and Astroparticle Physics dergisinde bu ayın başlarında yayımlanan araştırmada kozmologlar, bir yapay zekâ sinir ağını standart kozmoloji modeli olan ΛCDM simülasyonları üzerinde eğitti. Ardından ekip, bu ön eğitimin yapay zekânın kozmoloji ve astrofizikteki diğer çözülmemiş sorunlara yönelik sonraki incelemelerine yardımcı mı olacağını yoksa zarar mı vereceğini test etti. Yapay zekâ birtakım umut verici sonuçlar gösterse de yeni fiziği bulma konusunda olumsuz etki yaratan önyargılar geliştirdi.
Araştırmanın ortak yazarı, Flatiron Institute ve Princeton Üniversitesi’nden kozmolog Adrian E. Bayer, çalışmanın “yapay zekânın yapılandırılmış bir biçimde kullanıldığında bilimin daha hızlı ilerlemesine nasıl yardımcı olabileceğine dair güzel bir örnek” olduğunu söyledi. Bayer, aynı zamanda araştırmanın “hızlanma ile anlama süreçlerinin birlikte yürümesi gerektiğini hatırlatan” bir çalışma olduğunu belirtti.
MALİYET GERÇEĞİ
Kozmoloji alanındaki atılımlar genellikle maliyetli ve zaman alıcı oluyor. Dark Energy Spectroscopic Instrument (DESI) eş sözcüsü Will Percival’in Nisan ayında Gizmodo’ya aktardığı üzere, bilimsel analiz için veri kümeleri hazırlamak; sahte evrenler ve galaksiler oluşturmayı, ardından doğrulama amacıyla simülasyonlar çalıştırmayı içeriyor. Bu süreçler, gelişmiş gözlemlerden ciddi sonuçlar çıkarabilmek için kritik öneme sahip. Ancak Bayer’in aktardığına göre standart modelin ötesindeki modellerin (kütleli nötrinolar, evrilen karanlık enerji ya da değiştirilmiş kütleçekim gibi uzantıları içeren) simülasyonları da oldukça maliyetli. Aynı zamanda bu alternatif senaryoların test edilmesi, doğru çıkıp çıkmadıklarından bağımsız olarak, evren anlayışımızı ilerletmek açısından kritik. Bu pratik gerekçe, Bayer’i “her senaryo için devasa yeni simülasyon setleri gerektirmeden verimli biçimde öğrenebilen yöntemler” aramaya yönlendirdi.
ÇALIŞMANIN ARKASINDAKİ STRATEJİ: TRANSFER ÖĞRENME
Ekip, deney için transfer öğrenme (transfer learning) adı verilen bir makine öğrenmesi stratejisini kullandı. Bu yaklaşımda model önce bir görev ya da veri kümesinden öğreniyor ve bu bilgiyi, yeni fiziğe dair umut verici fikirleri içeren ilgili bir göreve ya da standart modelin genişletilmiş sürümlerine uyguluyor.
Bayer’e göre yapay zekâ, daha az sayıda ve daha düşük maliyetli simülasyona dayanarak standart modeli anlama konusunda oldukça iyi performans gösterdi. Ancak yeni fizik, modelin “standart model parametre uzayında halihazırda öğrendiği yönlerle örtüştüğünde” zorlanmaya başladı. Negatif transfer olarak adlandırılan bu olgu, yapay zekânın önyargılı hale gelmesiyle ve veride benzer örüntüler üreten iki farklı fiziksel etkiyi birbirinden ayırt edememesiyle ortaya çıktı. Böylece yapay zekâ, doğası gereği yeni bir şey tespit etmek yerine daha önce öğrendiği bilgilere dayandı; bu da standart modelin ötesindeki fiziğe işaret eden olası ipuçlarını gözden kaçırmasına yol açtı.
Bayer, “Negatif transfer sonucu büyüleyici, çünkü modelin rastgele başarısız olmadığını gösteriyor” diye ekledi. Bayer’e göre transfer öğrenmenin ne zaman yardımcı olduğunu, ne zaman bu örtüşmeleri pekiştirdiğini anlamak, gelecekteki kozmolojik analizlerde yapay zekânın güvenilir biçimde kullanılması açısından oldukça önemli.
O GÖRÜŞÜ DOĞRULADI
Bayer’e göre bu son bulgular, yapay zekânın yararlı olabileceği ancak insan uzmanların onun hesaplamalarını dikkatle takip etmesi ve ilgili soruları anlayıp takip etmesi gerektiği yönündeki pek de yeni sayılmayan görüşü doğruluyor. Bayer, “Transfer öğrenme, yapay zekâya güçlü bir başlangıç avantajı sağlayabilir ve böylece evrene dair, başka türlü pratik olmayacak kadar çok sayıda fikri test etmemize olanak tanır” dedi. Ancak ona göre bir model, bir ortamdan diğerine bilgi taşıdığında, neyin taşındığını, bu bilginin ne zaman yardımcı olduğunu ve ne zaman yanıltabileceğini anlamak gerekiyor.
BİR SONRAKİ PLAN
Bayer ve ekibi bir sonraki aşamada; galaksi oluşum belirsizlikleri, tarama maskeleri ve gürültü gibi unsurları içeren, “gerçek gözlem verilerine daha çok benzeyen” ortamlarda benzer deneyler yapmayı planlıyor. Ekip ayrıca, hangi kozmolojik araştırmaların transfer öğrenmeden en çok yararlanabileceğini de keşfetmek istiyor.
