Yapay zeka evrenin işleyişini öğrenirken önyargılar geliştirdi. Yeni araştırma, YZ’nin yeni fiziksel olguları keşfetme potansiyelini sınırlayabileceğini gösteriyor.
Kozmologlar, evrenin işleyişini anlamak için yapay zekayı (YZ) kullanarak önemli bir adım attı. Ancak yeni bir araştırma, YZ’nin standart kozmoloji modelini öğrenirken beklenmedik önyargılar geliştirdiğini ortaya koydu. Bu durum, YZ’nin yeni fiziksel olguları keşfetme potansiyelini sınırlayabilir.
Journal of Cosmology and Astroparticle Physics’te yayımlanan çalışma kapsamında, bir YZ sinir ağı standart kozmoloji modeli olan ΛCDM simülasyonları üzerinde eğitildi. Ardından araştırmacılar, bu eğitimin YZ’nin gelecekteki kozmolojik araştırmalarına yardımcı mı yoksa zarar mı vereceğini test etti. YZ’nin standart modeldeki simülasyonlarda umut verici sonuçlar vermesine rağmen, yeni fiziği bulma konusunda olumsuz etkiler yaratan önyargılar geliştirdiği gözlemlendi.
Flatiron Institute ve Princeton Üniversitesi’nden kozmolog Adrian E. Bayer, çalışmanın yapay zekanın bilimsel ilerlemeye nasıl katkı sağlayabileceğinin güzel bir örneği olduğunu belirtti. Ancak Bayer, hızlanma ile anlama süreçlerinin birlikte yürütülmesi gerektiğini vurguladı. Kozmoloji alanındaki araştırmalar genellikle maliyetli ve zaman alıcıdır. Dark Energy Spectroscopic Instrument (DESI) gibi projelerde, veri kümeleri oluşturmak ve simülasyonlar çalıştırmak büyük kaynak gerektirir.
Bayer’in belirttiğine göre, standart modelin ötesindeki alternatif senaryoların (kütleli nötrinolar, evrilen karanlık enerji gibi) simülasyonları da oldukça maliyetlidir. Bu durum, araştırmacıları maliyeti düşürecek ve verimli öğrenebilen yöntemler aramaya yönlendirmiştir.
Ekip, bu sorunu çözmek için transfer öğrenme (transfer learning) adı verilen bir makine öğrenmesi stratejisi kullandı. Bu yöntemde, model bir görevden öğrendiği bilgiyi, yeni ve ilgili bir göreve uygular. Bayer’e göre YZ, daha az simülasyonla standart modeli anlama konusunda başarılı oldu. Ancak yeni fiziksel olgular, modelin daha önce öğrendiği yönlerle çakıştığında zorlanmaya başladı.
Negatif transfer olarak adlandırılan bu olgu, YZ’nin önyargılı hale gelmesiyle ortaya çıktı. Model, benzer örüntüler üreten farklı fiziksel etkileri ayırt edemeyerek, yeni tespitler yerine daha önce öğrendiği bilgilere dayandı. Bu durum, standart modelin ötesindeki potansiyel ipuçlarının gözden kaçırılmasına yol açtı.
Bayer, negatif transferin modelin rastgele başarısız olmadığını gösterdiğini belirtti. Transfer öğrenmenin ne zaman yardımcı olduğunu ve ne zaman yanıltıcı olabileceğini anlamanın, gelecekteki kozmolojik analizlerde YZ’nin güvenilir kullanımı için kritik önem taşıdığını ekledi.
Bu bulgular, YZ’nin faydalı olabileceği ancak insan uzmanların hesaplamaları dikkatle takip etmesi gerektiği görüşünü doğruluyor. Bayer’e göre transfer öğrenme, YZ’ye güçlü bir başlangıç avantajı sağlayarak, evrene dair çok sayıda fikrin test edilmesine olanak tanır. Ancak bir modelin bir ortamdan diğerine bilgi taşıdığında, bu bilginin ne zaman yardımcı olduğunu ve ne zaman yanıltıcı olabileceğini anlamak gereklidir.
Bayer ve ekibi, bir sonraki aşamada galaksi oluşumu belirsizlikleri ve gürültü gibi unsurları içeren, gerçek gözlem verilerine daha çok benzeyen ortamlarda deneyler yapmayı planlıyor. Ekip ayrıca, hangi kozmolojik araştırmaların transfer öğrenmeden en çok yararlanabileceğini de araştırmayı hedefliyor.
