İnsanların çoğu için tarih, evrenin haritasını çıkarmak gece gökyüzüne bakmak anlamına geliyordu. Bugün bu, milyarlarca veri kümesinin soluk ışığından çekilen trilyonlarca veri noktasının işlenmesi anlamına geliyor. galaksiler.
Ancak kozmik araştırmalar gibi Karanlık Enerji Spektroskopik Enstrüman (DESI) ve Avrupa’nın Öklid Görev büyük miktarda veri toplarken, gökbilimciler hesaplama duvarına çarpıyor.
Şimdi, bu zorluklara dayanarak, Waterloo Üniversitesi’nden fizikçi Dr. Marco Bonici liderliğindeki uluslararası bir ekip, kozmologların bu verileri nasıl anlayışa dönüştüreceğini yeniden tanımlayabilecek çığır açan bir aracı ortaya çıkardı.
“Effort.jl” olarak adlandırılan bu yüksek hızlı, türevlenebilir bir “emülatör”dür; son derece karmaşık kozmolojik simülasyonların davranışını taklit eden bir tür makine öğrenimi modelidir. Geliştiricilere göre Effort.jl, evrenin büyük ölçekli yapısını geleneksel yöntemlerin gerektirdiği süreden çok daha kısa bir sürede haritalandırma kapasitesine sahip.
Sonuçları, dergisinde yayınlandı. Kozmoloji ve Astropartikül Fiziği Dergisi (JCAP), Eylül 2025’te Effort.jl’nin, mükemmele yakın doğruluğu korurken, geleneksel ardışık düzenlerden üç kata kadar daha hızlı hesaplamalar gerçekleştirebildiğini gösteriyor.
Dr. Bonici, “Effort.jl’yi kullanarak, daha önce çok fazla zaman ve bilgisayar gücü gerektiren EFTofLSS gibi modellerdeki karmaşık veri kümelerini çalıştırabiliyoruz” dedi. ifade. “DESI ve Euclid gibi projelerle evren hakkındaki bilgimizi genişleten ve keşfedilecek daha büyük astronomik veri kümeleri oluşturan Effort.jl, araştırmacıların verileri daha hızlı, daha ucuza ve birden çok kez analiz etmesine ve aynı zamanda verilerdeki nüanslara göre küçük değişiklikler yapmasına olanak tanıyor.”
Modern kozmoloji, galaksi kümeleme araştırmalarından kozmik mikrodalga arka plan dalgalarının ölçümlerine kadar geniş veri kümeleri tarafından yönlendirilmektedir. Bu verileri yorumlamak için araştırmacılar, galaksilerin görünür dağılımını karanlık maddenin görünmez yapı iskelesine bağlayan matematiksel bir çerçeve olan Büyük Ölçekli Yapının Etkili Alan Teorisine (EFTOfLSS) güveniyorlar.
Sorunlardan biri, EFTofLSS hesaplamalarının inanılmaz derecede pahalı olmasıdır. CLASS, CAMB ve pyBird gibi geleneksel araçların her olasılık değerlendirmesi saniyeler ila dakikalar alabilir ve tam Bayesian analizleri bu tür milyonlarca hesaplama gerektirir. Bu, süper bilgisayarlarla bile kozmik yapının yüksek çözünürlüklü bir “haritasını” oluşturmanın günler veya haftalar alabileceği anlamına geliyor.
Dr. Bonici’nin ekibi bu sorunu çözmek için Effort.jl’yi oluşturdu. Python benzeri kolaylığı C düzeyi hızla birleştirmesi nedeniyle bilim camiasında sıklıkla takdir edilen Julia programlama dilinde yazılan yeni emülatör, bu analizlerin en yavaş adımlarını, çıktılarını neredeyse anında tahmin eden bir sinir ağıyla değiştiriyor.
Effort.jl özünde, galaksi güç spektrumunu yeniden üretmek için dikkatle eğitilmiş bir sinir ağını kullanarak EFTofLSS için bir vekil model görevi görüyor. Bu, galaksilerin kozmik ölçeklerde nasıl kümelendiğinin istatistiksel parmak izidir. Fizik tabanlı ön işlemeyi makine öğrenimiyle birleştirerek hem hıza hem de hassasiyete ulaşır.
Temel tasarım özelliklerinden biri, tamamen farklılaştırılabilir kalması ve bilim adamlarının Hamiltonian Monte Carlo (HMC) gibi güçlü gradyan tabanlı çıkarım tekniklerini kullanmalarına olanak sağlamasıdır. Bu yöntemler karmaşık, yüksek boyutlu parametre uzaylarında çoğu kozmologun hala kullandığı rastgele yürüyüş algoritmalarından çok daha verimli bir şekilde gezinebilir.
Ekibin testlerinde Effort.jl, galaksinin güç spektrumunu tek bir CPU çekirdeğinde yaklaşık 15 mikrosaniyede hesaplayabildi. Turing.jl gibi modern olasılıksal programlama çerçeveleriyle eşleştirildiğinde, bir dizüstü bilgisayarda yaklaşık on dakika içinde Bayes yakınsamasına ulaştı. Bu, eski yazılımların kullanıldığı bilgi işlem kümelerinde geçirilen uzun saatlerle karşılaştırılır.
Doğruluğunu doğrulamak için araştırmacılar, Effort.jl’yi PT meydan okuma simülasyonlarına, yüksek hassasiyetli kozmolojik sahte evrenlerden oluşan devasa bir pakete ve gerçek dünyadaki Baryon Salınım Spektroskopik Araştırması (BOSS) verilerine uyguladılar.
Her iki durumda da Effort.jl’nin sonuçları, EFTofLSS analizinin mevcut gücü olan pybird tarafından üretilen sonuçlarla “Monte Carlo gürültüsü dahilinde” uyumluydu. Ancak çok kısa bir sürede tamamlandı.
Araştırmacılar, “Effort.jl ile yapılan tüm analiz, bir dizüstü bilgisayarda yaklaşık on dakika sürdü ve pybird ile aynı sonsal dağılıma yaklaştı” diye yazıyor. “PT mücadelesinin büyük hacmi göz önüne alındığında, bunun emülatörümüzün doğruluğu açısından çok sıkı bir test olduğunu vurguluyoruz.”
Basitçe söylemek gerekirse Effort.jl, bilim adamlarının bir zamanlar süper bilgisayar gerektiren simülasyonları kişisel bir dizüstü bilgisayarda gerçekleştirmesine olanak tanıyor.
Effort.jl sinir ağlarına dayansa da bilim adamlarının “kara kutu yapay zekası” dediği şey değil. Tipik kara kutu sistemlerinde bir algoritma doğru tahminler yapmayı öğrenebilir ancak bunu, bu yanıtların nasıl ortaya çıktığına dair herhangi bir fikir sunmadan yapar. Bu, fiziksel anlayışın hassasiyet kadar önemli olduğu kozmoloji gibi bir alanda önemli bir dezavantajdır.
Buna karşılık Effort.jl, yazarların “fizik tabanlı ön işleme” olarak tanımladığı şeyi kullanıyor; girdi ve çıktılarını, kozmik büyüme faktörünün D(z) kırmızıya kayma ile evrimi gibi yerleşik fiziksel yasalara göre ölçeklendiriyor ve normalleştiriyor.
Bu yaklaşım, sinir ağını yerleşik teoriye sabitler ve onun yalnızca modellenmesi en zor olan karmaşık, doğrusal olmayan özelliklere odaklanmasını sağlar. Sonuç, fiziğin yorumlanabilirliğini yapay zekanın verimliliğiyle birleştiren, bilimsel şeffaflıktan ödün vermeden hız sağlayan bir emülatördür.
Araştırmacılar, opak sinir ağırlıkları yerine insanların okuyabileceği denklemleri arayan bir yöntem olan sembolik regresyonu bile denediler. Kozmik büyüme faktörü için analitik bir yaklaşım bularak emülatörün kalan darboğazlarından birini ortadan kaldırdılar ve 150 mikrosaniyelik hesaplamayı yalnızca 200 nanosaniyeye düşürdüler.
Dr. Bonici, “Effort.jl’den gelen tahminleri EFTofLSS’den gelenlerle aynı hizaya getirerek doğrulamayı başardık” dedi. “Hata marjı küçüktü ve bize Effort.jl’den çıkan hesaplamaların güçlü olduğunu gösterdi. Effort.jl ayrıca verilerdeki bozulmalar gibi gözlemsel tuhaflıkların üstesinden gelebiliyor ve araştırmacının ihtiyaçlarına göre çok kolay bir şekilde özelleştirilebiliyor.”
DESI gibi araçlar artık on milyonlarca galaksiyi katalogluyor ve Öklid ilk gökyüzü haritalarını yörüngeden geri getiriyor, kozmologlar Pek çok kişinin verinin “petabayt çağı” olarak adlandırdığı döneme giriyoruz. Artık zorluk bilgi toplamak değil, ona ayak uydurmak.
Effort.jl’nin vazgeçilmez olabileceği yer burasıdır. Gelişmiş büyüklük sıralamalarını daha hızlı hale getirerek araştırmacıların daha ayrıntılı parametre taramaları yapmasına, egzotik karanlık enerji teorilerini test etmesine ve birden fazla veri kümesini entegre etmesine olanak tanır. Bu galaksi kümelenmesini veya kozmik mikrodalga arka planını içerebilir. Hepsi tek bir tutarlı analizde.
Effort.jl, AbstractCosmologicalEmulators.jl’nin üzerine kurulduğundan mimarisi modülerdir. Bu, aynı çerçevenin diğer kozmolojik kodlar için veya hatta plazma fiziği ve kuantum malzemeleri gibi tamamen farklı fiziksel alanlar için yeniden eğitilebileceği anlamına gelir. Ekip halihazırda benimsenmeyi genişletmek için Python uyumlu bir JAX sürümü geliştiriyor.
Pratik açıdan Effort.jl gibi araçlar, veri toplama ile keşif arasındaki süreyi önemli ölçüde azaltabilir ve bilim adamlarının yeni kozmolojik modelleri neredeyse teleskopların bilgi toplayabildiği kadar hızlı test etmelerine olanak sağlayabilir.
Bu, evrenin genişleme hızına ilişkin tahminlerimizin daha hızlı güncellenmesi, karanlık maddenin dağılımının daha kesin ölçümleri ve karanlık enerjinin (kozmosu birbirinden ayıran gizemli güç) anlaşılması zor özellikleri üzerinde daha sıkı kısıtlamalar anlamına geliyor.
Effort.jl, bu süreci kolaylaştırarak araştırmacıların yalnızca rakamları hesaplamasına yardımcı olmakla kalmıyor; evrenin nasıl geliştiğine ve nereye gidebileceğine dair hikayenin netleşmesine yardımcı olur.
Effort.jl’yi bu kadar güçlü kılan aynı hesaplama ilerlemelerinin (fizik tabanlı modelleme ile birleştirilmiş hızlı, yorumlanabilir makine öğrenimi) halihazırda kozmolojinin ötesinde kullanım alanları bulması da aynı derecede önemlidir.
Benzer teknikler hava durumunu iyileştirebilir ve iklim modellerihassaslaştır tıbbi görüntülemehatta yeni nesil malzeme ve enerji sistemlerinin gelişimini hızlandırabilir.
Bilgisayarlara anlamalarını öğreterek evren Effort.jl, bilim insanlarına benzer bir şekilde, insanlığın en büyük kozmik yapılardan günlük yaşamı şekillendiren en küçük teknolojilere kadar her şeyi anlamlandırmasına yardımcı olabilir.
Araştırmacılar, “Effort.jl’nin modüler yapısı, diğer EFT tabanlı kodlarla uyumluluğu destekleyecek kadar geneldir” sonucuna varıyor. “Bu esneklik, Effort.jl’nin bu kodları taklit etmesi için eğitilmesine de kapı açıyor, uygulamasını ve kullanılabilirliğini genişletiyor.”
Sonuçta bu buluş sadece kozmolojiyi daha hızlı hale getirmekle ilgili değil; aynı zamanda bilim adamlarının verilerle etkileşime girme biçimini değiştirmekle de ilgili. Effort.jl, fizik bilgili makine öğrenimini yeni nesil olasılıksal programlamayla birleştirerek kozmik çıkarım sürecini hesaplama açısından yoğun bir görevden neredeyse etkileşimli bir şeye dönüştürür.
Araştırmacılar ilk kez evrenin en derin sorularını evrenin doğasından yola çıkarak keşfedebildiler. karanlık enerji toplamına nötrino kitleler, gerçek zamanlı olarak.
Ekip, kozmolojide açık ve işbirlikçi bilime doğru büyüyen trendi sürdürerek Effort.jl’yi halka ücretsiz olarak sundu. Yazılım şu adreste mevcuttur: GitHub açık kaynaklı bir MIT lisansı altında, araştırmacıların üzerine inşa edebileceği belgeler ve örnek verilerle tamamlandı.
Yazarlar, çığır açıcı buluşlarının ardındaki kodu paylaşarak, yalnızca kendi alanlarında değil, aynı zamanda kozmostan kuantum malzemelerine kadar karmaşık sistemleri anlamanın hem hız hem de şeffaflık gerektirdiği tüm disiplinlerde keşifleri hızlandırmayı amaçlıyor.
Araştırmacılar, “Önceki kodlar temelleri atmış olsa da, Effort.jl, modern kozmolojik araştırmanın gelişen ihtiyaçlarına göre tasarlanmış sağlam ve esnek bir araç seti sağlayarak, gradyan tabanlı tekniklere odaklanan analizler için belirgin bir avantaj sunuyor.”
Tim McMillan emekli bir kolluk kuvveti yöneticisi, araştırmacı muhabir ve The Debrief’in kurucu ortağıdır. Yazıları genellikle savunma, ulusal güvenlik, İstihbarat Topluluğu ve psikoloji ile ilgili konulara odaklanmaktadır. Tim’i Twitter’da takip edebilirsiniz: @LtTimMcMillan. Tim’e e-posta yoluyla ulaşılabilir: [email protected] veya şifreli e-posta yoluyla: [email protected]
