Çinli yapay zekâ 27 milyondan fazla yıldız, galaksi ve kuasarı sınıflandırdı

11 dakikalık okuma
Çinli yapay zekâ 27 milyondan fazla yıldız, galaksi ve kuasarı sınıflandırdı

Milyonlarca Kozmik Cismi Sınıflandırmaya İki Tür Veri Yardımcı Oluyor

Çin'deki Yunnan Gözlemevleri'nden bilim insanları, gökyüzünün yaklaşık 1.350 derece karelik bir bölümündeki 27 milyondan fazla gök cismini sınıflandıran bir yapay zekâ modeli geliştirdi. Sinir ağı, hem bir cismin nasıl göründüğünü hem de ışığının farklı dalga boylarına nasıl dağıldığını inceleyerek yıldızları, galaksileri ve kuasarları geleneksel yöntemlerin eşleşmekte zorlandığı bir ölçekte birbirinden ayırıyor.

İçindekiler
  1. Milyonlarca Kozmik Cismi Sınıflandırmaya İki Tür Veri Yardımcı Oluyor
  2. Teleskop Görüntülerini Sınıflandırmak Neden Zor?
  3. Yunnan Sinir Ağı Nasıl Çalışıyor?
  4. Gaia ve GAMA ile Yapılan Kontroller Ne Gösterdi?
  5. Euclid ve Diğer Araştırmalar İş Yükünü Artırıyor
  6. Gönüllüler, Yapay Zekânın Karmaşık Galaksi Görüntülerini İncelemesine Yardımcı Oluyor
  7. Daha İyi Kataloglardan Nadir Halka Galaksilere
  8. Yeni Modeller Görüntülerle Ölçümleri Birleştiriyor
  9. Toz, Sönük Cisimler ve Eğitim Verileri Zorluk Olmayı Sürdürüyor
  10. Sıradaki Hedef Daha Sönük Cisimlere Ulaşmak
  11. Öne Çıkan Noktalar

Ekip, Sloan Dijital Gökyüzü Araştırması'nın (Sloan Digital Sky Survey) 17. veri yayımında kimlikleri spektroskopiyle doğrulanmış kaynakları kullanarak modeli eğitti. Ardından sistemi, KiDS olarak bilinen Kilo-Derece Araştırması'nın görüntülerine uyguladı ve parlaklığı r = 23 kadirden fazla olan cisimlere odaklandı. Bu eşik, sınıflandırmaya dahil edilen cisimlerin parlaklık sınırını belirliyor.

Diğer astronomi araştırmalarıyla yapılan kontroller yüksek uyum oranları ortaya koydu. Çoğunluğu hareketleri iyi bilinen yıldızlardan oluşan Gaia misyonuna ait 3,4 milyon kaynak arasında model, yüzde 99,7'sini yıldız olarak tanımladı. Galaksi ve Kuasar Birleştirme Araştırması (Galaxy And Mass Assembly, GAMA) ile yapılan doğrulamada da galaksiler ve kuasarlar için yüzde 99,7 başarı oranına ulaşıldı.

Çalışma, astronomideki pratik bir soruna çözüm getiriyor: Teleskoplar, bilim insanlarının görüntüleri inceleyip içindekileri etiketleyebileceğinden çok daha hızlı veri toplayabiliyor. Kullanışlı bir katalog, parlak noktaları kaydetmekle kalmamalı. Araştırmacıların evrenin yapısını ve tarihini inceleyebilmesi için bu noktaların hangi farklı cisim türlerine ait olduğunu da belirtmeli.

28 Temmuz 2025 itibarıyla Yunnan projesi, yapay zekâ, profesyonel astronomi ve halkın katılımının bir araya geldiği daha geniş bir dönüşümün parçası. Projenin özgün katkısı, iki tür kanıtı aynı sınıflandırma sürecinde birleştirerek modelin araştırma görüntülerinde birbirine çok benzeyebilen cisimleri ayırt etmesine yardımcı olması.

Reklam

Teleskop Görüntülerini Sınıflandırmak Neden Zor?

Sloan Dijital Gökyüzü Araştırması, KiDS ve Avrupa Uzay Ajansı'nın Euclid misyonu, milyarlarca cisme ait görüntü ve ölçümler topluyor. Her yeni araştırma terabaytlarca veri ekleyerek milyarlarca ışık yılı uzaktaki galaksileri, süpernovaları ve evrende yapıları birbirine bağlayan büyük ölçekli kozmik ağı kaydediyor.

Astronomlar, bir cismin bileşimini, uzaklığını ve türünü belirlemek için geleneksel olarak spektroskopiden yararlanıyor. Spektroskopi, ışığı ayrıntılı biçimde inceleyerek bilim insanlarına sıradan bir görüntünün sağlayamayacağı bilgiler sunuyor. Yöntemin hassasiyeti, sınıflandırmaları doğrulamada onu değerli kılıyor; ancak tayfları elde etmek ve analiz etmek zaman ve kaynak gerektiriyor.

Fotometrik araştırmalar, gökyüzünün geniş bölgelerinden daha hızlı bilgi toplama olanağı sağlıyor. Tam bir tayfın tüm ayrıntılarını toplamak yerine, cisimleri farklı renklerde, yani dalga boylarında ölçüyor. Bu özellikleri onları büyük kataloglar oluşturmak için kullanışlı kılıyor; ancak ölçümler cismin kimliğini belirsiz bırakabiliyor.

Uzak galaksiler, yıldızlar ve kuasarların tümü küçük, parlak noktalar gibi görünebilir. Bu nedenle biçim, bir görüntünün ne içerdiğini anlamak için tek başına yetersiz bir ipucu olabilir. Renk de başka bir ipucu sağlıyor; Yunnan yaklaşımının temelinde ise görünüş ve ışık ölçümlerinin birlikte değerlendirildiğinde daha fazla işe yaradığı fikri yatıyor.

İnsanların görüntüleri incelemesi ve yoğun manuel çalışma gerektiren yöntemler, gözlem hacmindeki artışa yetişemiyor. Üstelik bu bilimsel bir sorun da: Bilgisayar ilk sınıflandırmayı yapsa bile sönük ve uzak cisimler ile kozmik tozun arkasında görülen cisimleri sınıflandırmak daha zor olabiliyor.

Yunnan Sinir Ağı Nasıl Çalışıyor?

Yunnan modeli, morfoloji ve spektral enerji dağılımı bilgilerini aynı anda işliyor. Morfoloji, bir cismin görünen biçimi ya da görünüşü anlamına geliyor. SED kısaltmasıyla anılan spektral enerji dağılımı ise ışığın dalga boylarına nasıl dağıldığını tanımlıyor. Bu iki bilgi, sisteme hem görsel hem de renk bilgisi sağlıyor.

Önceki yaklaşımlarda genellikle bu kanıt türlerinden yalnızca birine dayanıldı. Ağırlıklı olarak görünüşe bakan bir model, birden fazla cisim türü ışık noktalarına benzediğinde zorlanabilir. Yalnızca ışık ölçümlerinden yararlanan bir model ise biçimle ilgili potansiyel olarak yararlı bilgileri göz ardı eder. Yeni tasarım, sinir ağının her iki türdeki ince farklılıklardan da yararlanmasını sağlıyor.

Sloan Dijital Gökyüzü Araştırması'ndan alınan eğitim kaynakları, ekibe sınıflandırmaları spektroskopiyle doğrulanmış bir referans kümesi sağladı. Doğrulanmış örneklerle yapılan eğitim, modelin çok daha geniş KiDS örneklemine uygulamadan önce yıldızlar, galaksiler ve kuasarlarla ilişkili örüntüleri öğrenmesine olanak tanıyor.

Ortaya çıkan sınıflandırma, belirtilen parlaklık sınırı ve gökyüzü alanında 27 milyondan fazla cismi kapsadı. Bu ölçek pratik açıdan değer taşıyor: Araştırmacılar, içeriği henüz ilk kez etiketlenmeyi bekleyen milyonlarca görüntüyle uğraşmak yerine geniş ve düzenli bir katalogdan yararlanabiliyor.

Reklam

Gaia ve GAMA ile Yapılan Kontroller Ne Gösterdi?

Gaia, modelin yıldızları tanımlama becerisi için kapsamlı bir kontrol olanağı sağladı. Çoğunluğu hareketleri iyi bilinen yıldızlardan oluşan 3,4 milyon kaynakla yapılan doğrulamada model, kaynakların yüzde 99,7'sini yıldız olarak sınıflandırdı. Böylece ekip, modelin sonuçlarını başka bir büyük misyondan gelen bilgilerle karşılaştırabildi.

GAMA, galaksilerin ve kuasarların sınıflandırılmasına yönelik başka bir test olanağı sundu. Model burada da yüzde 99,7'lik benzer bir başarı oranına ulaştı. Sistem, öğrendiği belirli örneklerin ötesinde de yararlı olmayı amaçladığından, birden fazla araştırmayla test edilmesi önem taşıyor.

Sinir ağı, önceki kataloglardaki bazı hataları da düzelterek daha önce yanlış etiketlenmiş cisimleri yeniden sınıflandırdı. Katalogların güncel tutulması çalışmanın önemli bir parçası: Araştırmacıların hem yeni ya da sıra dışı cisimleri keşfetmesi hem de güvenilir cisim koleksiyonlarına sahip olması gerekiyor.

İki doğrulama çalışması, astronomlara bu kontrollerin performansını ölçmek için somut göstergeler sunuyor. Daha geniş bir gözlem yelpazesinde güvenilirlik ise modelin kullanıldığı koşullara da bağlı: Cisimlerin parlaklığı, verileri toplayan araçlar ve eğitimde temsil edilen örnek türleri bunlar arasında.

Euclid ve Diğer Araştırmalar İş Yükünü Artırıyor

Euclid, astronomik veri miktarının ne kadar hızlı arttığını gösteriyor. Avrupa Uzay Ajansı'nın misyonu, planlanan araştırma alanının yalnızca bir bölümünde 26 milyon galaksiyi şimdiden haritaladı. Önümüzdeki altı yılda 1,5 milyardan fazla galaksiyi görüntülemesi ve günde yaklaşık 100 gigabayt veri göndermesi bekleniyor.

Yakında faaliyete geçecek Vera Rubin Gözlemevi'nin milyonlarca yeni süpernova ve başka geçici olay saptaması bekleniyor. Geçici olay, zamanla ortaya çıkan ya da değişen bir olaydır. Bu nedenle olayı bulmak ve ne olduğunu belirlemek, araştırma verilerini düzenleme işine yeni bir iş yükü daha ekliyor.

Bu sürecin bazı aşamalarını otomatikleştirmek için yapay zekâ şimdiden kullanılıyor. BTSbot olarak bilinen Bright Transient Survey Bot, Zwicky Geçici Olay Tesisi araştırmasında süpernovaların otomatik olarak keşfedilmesini ve sınıflandırılmasını destekliyor. Bu araç, yapay zekânın büyük yıldız ve galaksi koleksiyonlarının yanı sıra değişen olaylara da uygulandığını gösteriyor.

Yunnan modeli ve diğer araçlar birbiriyle ilişkili ihtiyaçlara yanıt veriyor, ancak görevleri farklı. Yıldızları, galaksileri ve kuasarları ayırmak, cisim türlerinden oluşan bir katalog hazırlıyor. Süpernovaları tanımlamak, araştırmacıların olayları fark etmesine yardımcı oluyor. Galaksi biçimlerini incelemekse yapıya ilişkin bilgi sağlıyor. Modern araştırmalar, bu analiz türlerinin tümüne ihtiyaç duyuyor.

Reklam

Gönüllüler, Yapay Zekânın Karmaşık Galaksi Görüntülerini İncelemesine Yardımcı Oluyor

Halkın katılımı astronomik sınıflandırmada önemini koruyor. Galaxy Zoo gibi projeler, dünyanın dört bir yanındaki gönüllüleri galaksi biçimlerini incelemeye davet ediyor. Galaxy Zoo: Euclid, bu yaklaşımı Euclid misyonundan gelen görüntülere uyguluyor.

Bu projeler, insan yargısını yapay zekâyla bir araya getiriyor. ZooBot daha kolay örnekleri işleyip karmaşık görüntüleri insanlara yönlendiriyor. Bilgisayar daha kolay örnekleri çok daha geniş ölçekte işlerken gönüllüler, daha yakından incelenmesi gereken galaksilere odaklanabiliyor.

İnsanların yaptığı sınıflandırmalar, yapay zekânın eğitilmesine ve geliştirilmesine de yardımcı oluyor. Bu ilişki iki yönlü işliyor: Otomatik sınıflandırma, rutin inceleme miktarını azaltırken gönüllülerin verdiği kararlar sonraki sınıflandırmaları iyileştirebilecek bilgiler sağlıyor.

NASA'nın James Webb Uzay Teleskobu ve Euclid misyonu, galaksi morfolojisinin en büyük ve en ayrıntılı kataloglarından bazılarını oluşturma çalışmalarında gönüllüler ile gelişmiş yapay zekânın bu birleşiminden yararlanıyor. Çabaya binlerce katılımcı katkı sağlıyor; böylece astronomik görüntüleri düzenleme görevi profesyonel araştırma ekiplerinin ötesine taşınıyor.

İnternet bağlantısı, halktan kişilere evreni haritalama çalışmalarına katılma olanağı sunuyor. Görüntünün belirsiz olduğu ya da insan incelemesi gerektiren karmaşık bir yapı içerdiği durumlarda bu katkı özellikle yararlı oluyor.

Daha İyi Kataloglardan Nadir Halka Galaksilere

GALAXY CRUISE projesi, yapay zekâ ile yurttaş biliminin birlikte neler başarabileceğine somut bir örnek sunuyor. Ortak çalışma, 30 bin nadir halka galaksi belirleyerek bu sıra dışı cisimlerin anlamlı bir bilimsel analizini yapmaya yetecek büyüklükte bir örneklem oluşturdu.

Halka galaksiler çoğunlukla sarmal galaksilerin çarpışmasıyla oluşuyor. Geniş bir koleksiyon bulmak, araştırmacıların bu yapıların nasıl geliştiğini incelemesine olanak tanıyor; böylece çalışma, dikkat çekici tek tek görüntüleri belirlemenin ötesine geçip daha geniş bir cisim topluluğunu araştırmaya yöneliyor.

Hızlı sınıflandırma, araştırmacıların devasa kataloglarda gözden kaçabilecek uzak kuasarları ve başka nadir ya da sıra dışı cisimleri aramasına da yardımcı oluyor. Aynı araçlar katalogların kapsamını genişletebiliyor, eksikleri giderebiliyor ve önceki hataları düzeltebiliyor.

Galaksi sınıflandırmaları, kozmik zaman boyunca yapı ve evrime ilişkin çalışmaları destekliyor. Araştırmacılar düzenlenmiş koleksiyonlardan yararlanarak galaksilerin milyarlarca yıl içinde nasıl değiştiğini ve dağılımlarının kozmik ağla nasıl örtüştüğünü inceleyebiliyor.

Karanlık madde ve karanlık enerji araştırmaları da galaksilerin biçim ve konum ölçümlerinden yararlanıyor. Yerçekimiyle bağlantılı galaksi görüntüsü bozulması olan kütleçekimsel merceklenme, astronomların evreni haritalarken analiz edebileceği bilgiler sağlıyor. Sınıflandırma, teleskop gözlemlerini bu tür araştırmalara uygun malzemeye dönüştürme sürecinin bir parçası.

Reklam

Yeni Modeller Görüntülerle Ölçümleri Birleştiriyor

Astronomideki diğer yapay zekâ gelişmeleri de Yunnan sistemine benzer bir ilkeyi izliyor: Bir cisme tek bir açıdan bakmak yerine farklı türde bilgileri birleştirmek. Çok modlu derin öğrenme modelleri, görüntü verilerini parlaklık, renk ve kırmızıya kayma gibi tablo biçimindeki ölçümlerle bir araya getiriyor.

Bu yaklaşımlara ilişkin çalışmalar, yalnızca tek bir veri türünü kullanan modellere kıyasla daha az eğitim turuyla daha iyi kesinlik ve duyarlılık sağlandığını ortaya koydu. Kesinlik, modelin bir etiketi ne kadar güvenilir biçimde atadığını; duyarlılık ise ilgili kategoriye giren cisimleri ne kadar başarılı bulduğunu ifade ediyor. Eğitim turu, eğitim verilerinin tekrar tekrar işlenmesidir.

Kaliforniya Üniversitesi, Santa Cruz'da geliştirilen Morpheus adlı yapay zekâ aracı, astronomik görüntüleri piksel piksel inceleyerek başka bir yaklaşım benimsiyor. Bu yöntem, ayrıntılı morfolojik sınıflandırma yapılmasını ve görüntünün tamamına tek bir genel tanım atamak yerine galaksilerdeki karmaşık yapıların belirlenmesini sağlıyor.

Euclid'in planlanan çalışmaları, özellikle ince ayrıntılara dikkat edilmesini gerektiriyor. Misyon, kütleçekimsel merceklenmenin galaksi biçimlerinde yol açtığı küçük bozulmaları ölçerek karanlık maddenin üç boyutlu dağılımını haritalamayı amaçlıyor. Bu ölçümlerin çok büyük sayıda galakside işlenmesi, gelişmiş yapay zekâ ve makine öğrenimi tekniklerini gerektiriyor.

Bu gelişmeler, astronomide yapay zekânın neden farklı araç türlerini kapsadığını gösteriyor. Bazıları tüm cisimleri kategorilere ayırıyor, bazıları görüntüleri ölçümlerle birleştiriyor, bazılarıysa görüntü içindeki yapıyı inceliyor. Her biri, giderek daha iddialı araştırmaların yarattığı iş yükünün farklı bir bölümünü karşılıyor.

Toz, Sönük Cisimler ve Eğitim Verileri Zorluk Olmayı Sürdürüyor

Şili'deki La Serena Üniversitesi'nin araştırması, görünür ışığın büyük bölümünü tozun engellediği kaçınma bölgesindeki cisimleri sınıflandırmanın güçlüğünü ortaya koyuyor. Eğitim verileri birden fazla dalga boyunda toplanmış çeşitli örnekler içermediğinde makine öğrenimi modelleri bu bölgede yüksek hata oranlarına ulaşabiliyor.

Modeller, sönük ya da uzak cisimlerde ve sıra dışı özelliklere sahip kaynaklarda da zorlanabiliyor. Zorlu koşullarda cisimlerin önemli bir bölümünü saptayamayabiliyor veya doğru tanımlayamayabiliyorlar. Bu nedenle eğitim örneklerinin niteliği ve çeşitliliği, ortaya çıkan kataloğun kullanışlılığını doğrudan etkiliyor.

Yerleşik makine öğrenimi yöntemlerinden karar ağaçları ve rastgele ormanlar, daha yeni derin öğrenme sinir ağlarının yanı sıra astronomik sınıflandırmada da kullanıldı. Bu yöntemler yüksek doğruluk sağladı; ancak zor örnekler tüm otomatik yöntemler için kaygı konusu olmayı sürdürüyor.

Bir araştırmayla eğitilmiş model, başka bir araçla ya da gökyüzünün başka bir bölgesinde daha düşük performans gösterebilir. Gözlemlerdeki ve incelenen cisimlerdeki farklılıklar, eğitim sırasında öğrenilen örüntülerin yeni verilere ne ölçüde uygulanabileceğini değiştirebilir.

Eğitim verileri, önyargıları yapay zekâ sistemine de aktararak sistemin nadir ya da beklenmedik olayları gözden kaçırmasına yol açabilir. Sonuçları kontrol etmek ve sıradan bir etiketle sınıflandırılamayacak cisimleri tanımak için profesyonel astronomlar ile yurttaş bilimciler önemini koruyor.

Reklam

Sıradaki Hedef Daha Sönük Cisimlere Ulaşmak

Yunnan ekibi ve diğer araştırmacılar, daha da sönük cisimlerin sınıflandırmasını iyileştirmek ve modelleri farklı özelliklere sahip araştırmalara uyarlamak için çalışıyor. Yaklaşımları arasında daha çeşitli eğitim veri kümeleri kullanmak ve birden fazla dalga boyundan gelen ölçümleri bir araya getirmek yer alıyor.

Araştırmacılar, belirsiz ya da sıra dışı örnekleri insan incelemesine yönlendirebilen algoritmalar da geliştiriyor. Böylece dikkatin nasıl dağıtılacağı sınıflandırma sürecinin bir parçası hâline geliyor: Rutin örnekler otomatik işlenirken yorumlanması en zor cisimler daha yakından inceleniyor.

Tekrarlanan işleri otomatikleştirmek, astronomlara yorumlama, kuram geliştirme ve bilinmeyen olayları arama için daha fazla zaman kazandırıyor. Katkı, hızdan ibaret değil. Daha doğru ve kapsamlı bir katalog, araştırmacıların incelemek üzere seçebileceği cisimleri ve cisim topluluklarını ne kadar güvenle karşılaştırabileceklerini de değiştiriyor.

Euclid, James Webb ve faaliyete geçmesi beklenen Vera Rubin Gözlemevi çok büyük miktarda gözlem verisi sunmaya hazırlanıyor. Yunnan'ın sonucu, yapay zekânın bu bilgileri nasıl düzenleyebileceğine somut bir örnek oluştururken gönüllülerin ve profesyonel astronomların çalışmaları karmaşık örnekler ve yeni keşifler için gereken değerlendirmeyi sağlıyor.

Öne Çıkan Noktalar

  • Yunnan Gözlemevleri, gökyüzünün yaklaşık 1.350 derece karelik bir bölümündeki 27 milyondan fazla yıldız, galaksi ve kuasarı sınıflandıran bir sinir ağı geliştirdi.
  • Model, görünüş ve spektral enerji dağılımı bilgilerini birleştiriyor ve eğitim kaynakları olarak Sloan Dijital Gökyüzü Araştırması'nın 17. veri yayımından yararlanıyor.
  • KiDS sınıflandırması, parlaklığı r = 23 kadirden fazla olan cisimlere odaklandı.
  • Doğrulamada 3,4 milyon Gaia kaynağının yüzde 99,7'si yıldız olarak tanımlandı; GAMA'da galaksiler ve kuasarlar için yüzde 99,7 başarı oranına ulaşıldı.
  • Euclid, 26 milyon galaksiyi haritaladı ve önümüzdeki altı yılda 1,5 milyardan fazla galaksiyi görüntülemesi bekleniyor.
  • Galaxy Zoo, ZooBot ve diğer projeler otomatik işlemeyi insan incelemesiyle birleştiriyor; GALAXY CRUISE 30 bin nadir halka galaksi belirledi.
  • Toz, sönük cisimler, sıra dışı kaynaklar ve araştırmalar arasındaki farklılıklar zorluk olmayı sürdürüyor. Daha çeşitli eğitim verilerine ve belirsiz örneklerin insanlarca incelenmesine yönelik çalışmalar devam ediyor.
Bu haberi paylaş

Bunlar da ilginizi çekebilir