Yapay zeka evrenin işleyişini öğrenirken yeni fizik keşiflerinde önyargılar geliştirdi. Uzmanlar, YZ’nin bilimsel araştırmalardaki rolünü ve sınırlılıklarını değerlendiriyor.
Kozmologlar, evrenin işleyişini anlamak için yapay zekayı (YZ) kullanarak standart kozmoloji modeli üzerinde eğitim verdi. Yeni bir araştırma, YZ’nin evrenin işleyişine dair önemli bilgiler edinmesine rağmen, yeni fizik keşiflerinde beklenmedik önyargılar geliştirdiğini ortaya koydu. Bu durum, YZ’nin bilimsel araştırmalardaki rolü ve sınırlılıkları hakkında önemli soruları gündeme getiriyor.
Journal of Cosmology and Astroparticle Physics’te yayımlanan araştırmada, bir YZ sinir ağı standart kozmoloji modeli olan ΛCDM simülasyonları üzerinde eğitildi. Ekip, bu ön eğitimin yapay zekanın kozmoloji ve astrofizikteki diğer çözülmemiş sorunlara yönelik sonraki incelemelerine yardımcı mı olacağını yoksa zarar mı vereceğini test etti. Yapay zeka, bazı umut verici sonuçlar gösterse de, yeni fiziği bulma konusunda olumsuz etki yaratan önyargılar geliştirdi.
Araştırmanın ortak yazarı Adrian E. Bayer, çalışmanın yapay zekanın yapılandırılmış biçimde kullanıldığında bilimin daha hızlı ilerlemesine nasıl yardımcı olabileceğine dair güzel bir örnek olduğunu belirtti. Bayer, aynı zamanda araştırmanın hızlanma ile anlama süreçlerinin birlikte yürümesi gerektiğini hatırlatan bir çalışma olduğunu ekledi.
Kozmoloji alanındaki atılımlar genellikle maliyetli ve zaman alıcıdır. Dark Energy Spectroscopic Instrument (DESI) gibi projelerde veri kümeleri hazırlamak, sahte evrenler ve galaksi simülasyonları oluşturmayı içerir. Standart modelin ötesindeki modellerin simülasyonları da oldukça maliyetlidir. Bu durum, Bayer’i her senaryo için devasa yeni simülasyon setleri gerektirmeden verimli öğrenebilen yöntemler aramaya yönlendirdi.
Ekip, deney için transfer öğrenme (transfer learning) adı verilen bir makine öğrenmesi stratejisini kullandı. Bu yaklaşımda model, bir görevden öğrendiği bilgiyi yeni ve ilgili bir göreve uygular. Bayer’e göre YZ, daha az sayıda ve daha düşük maliyetli simülasyona dayanarak standart modeli anlama konusunda iyi performans gösterdi.
Ancak yeni fizik, modelin ‘standart model parametre uzayında halihazırda öğrendiği yönlerle örtüştüğünde’ zorlanmaya başladı. Negatif transfer olarak adlandırılan bu olgu, YZ’nin önyargılı hale gelmesiyle ve veride benzer örüntüler üreten iki farklı fiziksel etkiyi ayırt edememesiyle ortaya çıktı. Bu durum, YZ’nin doğası gereği yeni bir şey tespit etmek yerine daha önce öğrendiği bilgilere dayanmasına ve standart modelin ötesindeki fiziğe işaret eden olası ipuçlarını gözden kaçırmasına yol açtı.
Bayer, negatif transferin modelin rastgele başarısız olmadığını gösterdiğini belirtti. Transfer öğrenmenin ne zaman yardımcı olduğunu ve ne zaman yanıltıcı olabileceğini anlamak, gelecekteki kozmolojik analizlerde YZ’nin güvenilir biçimde kullanılması açısından kritik öneme sahip.
Bayer’e göre bu bulgular, YZ’nin faydalı olabileceği ancak insan uzmanların hesaplamaları dikkatle takip etmesi gerektiği görüşünü doğruluyor. Transfer öğrenme, evrene dair çok sayıda fikri test etmeye olanak tanırken, bir ortamdan diğerine taşınan bilginin ne zaman yardımcı olduğunu ve ne zaman yanıltabileceğini anlamak gerekiyor.
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.
