Bir galaksinin büyük olduğunu düşünüyorsanız, onu evrenin boyutuyla karşılaştırın: çok sayıda diğer küçük noktalarla birlikte, bedelerle dolu filamentlere örgüye örgüslü kümeler oluşturan küçük bir nokta – evrenimizin muazzam bir iskeleti.
Bu size vertigo verirse ve kişinin nasıl anlayabileceğini, hatta bu kadar geniş bir şeyi nasıl “görebileceğini” merak ediyorsanız, cevap: kolay değil. Bilim adamları evrenin fiziğini astronomik enstrümanlardan gelen verilerle birleştirir ve EFTOFLSS (büyük ölçekli yapının etkili alan teorisi) gibi teorik modeller oluştururlar. Gözlemlerle beslenen bu modeller, “kozmik web” i istatistiksel olarak tanımlar ve temel parametrelerinin tahmin edilmesine izin verir.
Bununla birlikte, EFTOFLSS gibi modeller çok fazla zaman ve hesaplama kaynakları gerektirir. Elimizdeki astronomik veri kümeleri katlanarak arttığından, hassasiyeti kaybetmeden analizi hafifletmenin yollarına ihtiyacımız var. Bu yüzden emülatörler var: modellerin nasıl tepki verdiğini “taklit ederler”, ancak çok daha hızlı çalışırlar.
Bu bir tür “kısayol” olduğundan, doğruluğu kaybetme riski nedir?
Diğerlerinin yanı sıra Inaf (İtalya), Parma Üniversitesi (İtalya) ve Waterloo Üniversitesi (Kanada) dahil olmak üzere uluslararası bir ekip Kozmoloji ve Astroparçacık Fiziği Dergisi Tasarladıkları emülatör çabasını test eden bir çalışma. Çalışma “Çaba
Çaba.jl’nin, bir süper bilgisayar yerine standart bir dizüstü bilgisayarda dakikalar halinde koşarken taklit ettiği modelle – bazen daha ince detay – esasen aynı doğruluk sunduğunu gösterir.
Waterloo ve ilk yazarının patlayıcı büyümesi pratik olarak imkansız hale geldiğinde, “Ancak teorik olarak bir bardak suyun içeriğini mikroskobik bileşenleri, bireysel atomlar ve hatta daha küçük: teorik olarak incelemek istediğinizi düşünün.
“Bununla birlikte, belirli özellikleri mikroskopik seviyede kodlayabilir ve etkilerini makroskopik seviyede, yani camı camdaki hareketi görebilirsiniz. Etkili bir alan teorisinin yaptığı şey budur, yani örneğimdeki suyun çok büyük ölçekler üzerindeki evreni olduğu ve mikroskik bileşenlerin küçük-skal süreçleri olduğu bir model.”
Teorik model, toplanan verilere yol açan yapıyı istatistiksel olarak açıklar: astronomik gözlemler, bir “tahmin” hesaplayan koda beslenir. Ancak bu zaman ve önemli hesaplama gerektirir. Bugünün veri hacmi ve anketlerden beklenen veya yakında başlamış olan veya yakında (ilk veri grubunu yayınlayan Desi gibi) – her seferinde kapsamlı bir şekilde yapmak pratik değil.
Bonici, “Bu yüzden şimdi bizimki gibi emülatörlere yöneliyoruz, bu da zamanı ve kaynakları büyük ölçüde kesebilir.”
Bir emülatör esasen modelin ne yaptığını taklit eder: Çekirdeği, giriş parametrelerini modelin zaten uyumlu tahminlerle ilişkilendirmeyi öğrenen bir sinir ağıdır.
Ağ, modelin çıktıları üzerinde eğitilir ve eğitimden sonra görmediği parametrelerin kombinasyonlarına genelleştirilebilir. Emülatör fiziğin kendisini “anlamıyor”: teorik modelin yanıtlarını çok iyi biliyor ve yeni bir girdi için ne çıkacağını tahmin edebilir.
JL’nin özgünlüğü, parametreler değiştiğinde tahminlerin nasıl değiştiği hakkında sahip olduğumuz algoritma bilgisine girerek eğitim aşamasını daha da azaltmasıdır: Ağı “yeniden öğrenmek yerine, bunları başlangıçtan itibaren kullanır.
Çaba.
Bunun gibi bir araç kapsamlı bir doğrulama gerektirir: Emülatör fiziği bilmiyorsa, kısayolunun doğru cevaplar verdiğinden (yani, modelin vereceği aynı) ne kadar eminiz? Yeni yayınlanan çalışma tam olarak buna cevap vererek, bu çabayı gösteren JL’nin hem simüle edilmiş hem de gerçek verilerde – modelle yakın bir uyum içinde.
Bonici, “Ve bazı durumlarda, modelde, bir şeyleri hızlandırmak için analizin bir kısmını kesmeniz gerekiyor, çaba ile bu eksik parçaları da dahil edebildik.”
Dolayısıyla, büyük ölçeklerdeki evren hakkındaki bilgilerimizi büyük ölçüde derinleştirmeyi vaat eden Desi ve Öklid gibi deneylerden gelen veri bültenlerini analiz etmek için değerli bir müttefik olarak ortaya çıkmaktadır.
