Kozmologlar, yapay zekânın evreni anlamasına rağmen yeni fiziksel yasaları keşfetmede önyargılar geliştirdiğini ortaya koydu. Bilimsel ilerleme sorgulanıyor.
Journal of Cosmology and Astroparticle Physics dergisinde yayımlanan yeni bir araştırma, kozmolojide yapay zekâ kullanımına dair dikkat çekici sonuçlar ortaya koydu. Flatiron Institute ve Princeton Üniversitesi’nden kozmolog Adrian E. Bayer’in ortak yazarlığını yaptığı çalışma, yapay zekânın evrenin işleyişini anlama konusunda başarılı olduğunu ancak yeni fiziksel yasaları keşfetme potansiyelini sınırlayan önyargılar geliştirdiğini gösterdi. Bu durum, yapay zekânın bilimsel keşif süreçlerindeki rolüne dair önemli tartışmaları beraberinde getirdi.
Kozmologlar, yapay zekâ sinir ağını standart kozmoloji modeli olan ΛCDM simülasyonları üzerinde eğitti. Ekip, bu ön eğitimin yapay zekânın kozmoloji ve astrofizikteki diğer çözülmemiş sorunlara yönelik incelemelerine yardımcı olup olmayacağını test etti. Yapay zekâ umut vadeden sonuçlar gösterse de yeni fiziği bulma konusunda olumsuz etki yaratan önyargılar geliştirdi.
Adrian E. Bayer, çalışmanın “yapay zekânın yapılandırılmış bir 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 ifade etti.
Kozmoloji alanındaki atılımlar genellikle maliyetli ve zaman alıcı süreçler içeriyor. Dark Energy Spectroscopic Instrument (DESI) eş sözcüsü Will Percival, bilimsel analiz için veri kümeleri hazırlamanın sahte evrenler ve galaksiler oluşturmayı gerektirdiğini aktardı. Ardından doğrulama amacıyla simülasyonlar çalıştırmak bu süreçlerin önemli bir parçası.
Bayer, standart modelin ötesindeki modellerin simülasyonlarının da oldukça maliyetli olduğunu vurguladı. Kütleli nötrinolar, evrilen karanlık enerji veya değiştirilmiş kütleçekim gibi uzantıları içeren bu senaryoların test edilmesi evren anlayışını ilerletmek için kritik. Bu pratik gerekçe, Bayer’i “her senaryo için devasa yeni simülasyon setleri gerektirmeden verimli biçimde öğrenebilen yöntemler” aramaya yöneltti.
Ekip, deney için transfer öğrenme adı verilen bir makine öğrenmesi stratejisini kullandı. Bu yaklaşımda model, önce bir görev veya veri kümesinden bilgi ediniyor. Ardından bu bilgiyi, yeni fiziğe dair umut vadeden fikirleri içeren ilgili bir göreve veya standart modelin genişletilmiş sürümlerine uyguluyor.
Bayer’e göre yapay zekâ, daha az sayıda ve daha düşük maliyetli simülasyona dayanarak standart modeli anlama konusunda iyi performans sergiledi. Ancak yeni fizik, modelin “standart model parametre uzayında halihazırda öğrendiği yönlerle örtüştüğünde” zorlanmaya başladı. Bu durum, “negatif transfer” olarak adlandırıldı.
Negatif transfer olgusu, yapay zekânın önyargılı hale gelmesiyle ortaya çıktı. Veride benzer örüntüler üreten iki farklı fiziksel etkiyi birbirinden ayırt edemeyen yapay zekâ, doğası gereği yeni bir şey tespit etmek yerine önceden öğrendiği bilgilere dayandı. Bu durum, standart modelin ötesindeki fiziğe işaret eden olası ipuçlarını gözden kaçırmasına yol açtı.
Bayer, “Negatif transfer sonucu büyüleyici, çünkü modelin rastgele başarısız olmadığını gösteriyor” açıklamasını yaptı. Transfer öğrenmenin ne zaman yardımcı olduğunu ve ne zaman bu örtüşmeleri pekiştirdiğini anlamanın, gelecekteki kozmolojik analizlerde yapay zekânın güvenilir kullanımı açısından önemli olduğunu belirtti.
Bayer’e göre bu son bulgular, yapay zekânın yararlı olabileceği ancak insan uzmanların onun hesaplamalarını dikkatle takip etmesi gerektiği görüşünü doğruluyor. İnsan uzmanlar, ilgili soruları anlayıp takip etmeli ve yapay zekânın sonuçlarını yorumlamalıdır.
Bayer, transfer öğrenmenin yapay zekâya güçlü bir başlangıç avantajı sağlayabileceğini ve böylece evrene dair çok sayıda fikri test etmeye olanak tanıdığını ekledi. Ancak bir modelin bir ortamdan diğerine bilgi taşıdığında, neyin taşındığını, bu bilginin ne zaman yardımcı olduğunu ve ne zaman yanıltabileceğini anlamanın kritik olduğunu vurguladı.
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, hangi kozmolojik araştırmaların transfer öğrenmeden en çok yararlanabileceğini de keşfetmeyi hedefliyor.
