Yapay zekâ gökyüzünü tarıyor

Kanca

Birkaç gökbilimci, Sloan taramasının neredeyse bir milyon galaksisini sarmal mı, eliptik mi diye ayırmak istiyordu. Bir uzman bunu tek başına yıllarca yapardı. Onlar başka bir yol seçti: interneti açıp herkesi davet ettiler. Galaxy Zoo adlı projenin ilk makalesine göre yaklaşık 100.000 gönüllü, 40 milyonu aşkın sınıflama yaptı; sonuçlar profesyonel gökbilimcilerinkiyle tutarlı çıktı.

Ama bugünün taramaları için bir milyon küçük bir sayı. Rubin Gözlemevi'nin görüntülerindeki her değişiklik bir uyarıya dönüşüyor ve bu uyarılar dünyaya bekletilmeden yayılıyor. Gönüllü ordusu bile yetişemez. Artık bu yükün önemli bir kısmını, örneklerden öğrenen bilgisayar yöntemleri, yani makine öğrenmesi taşıyor.

Merkezi soru

Makine öğrenmesi gökbilimde neyi, nasıl yapıyor; örneklerden kural öğrenen bir model gezegen ya da galaksi sınıflamada nasıl kullanılıyor, ve onun kararlarına ne zaman, ne kadar güvenebiliriz?

Anlatım

Kural yazmak yerine örnek göstermek

Şimdiye kadar yazdığımız kodlar, bizim koyduğumuz kuralları uyguluyordu: şu dairenin içindeki pikselleri topla, şu dönemle katla. Makine öğrenmesinde ise kuralı biz yazmayız. Bilgisayara cevabı bilinen çok sayıda örnek gösteririz; o da girdiler ile cevaplar arasındaki ilişkiyi kendisi kurar. Buna eğitim denir. Eğitilmiş model, sonra hiç görmediği yeni örneklere cevap üretir.

İki tür iş öne çıkar. Sınıflandırmada cevap bir etikettir: bu galaksi sarmal mı, eliptik mi; bu çukur bir gezegen mi, sahte bir sinyal mi. Bağlanımda cevap bir sayıdır: bu yıldızın sıcaklığı kaç kelvin. İkisinde de ilke aynı: iyi etiketlenmiş, yeterince çok örnek.

Galaxy Zoo'dan sinir ağlarına

Galaxy Zoo, makine öğrenmesinin en önemli malzemesini üretti: milyonlarca güvenilir etiket. 2015'te Sander Dieleman ve arkadaşları, bu etiketlerle düzenlenen uluslararası bir yarışma için derin bir sinir ağı geliştirdi. Model, bir galaksinin döndürülünce ya da kaydırılınca aynı galaksi kaldığı bilgisini yapısına katıyordu. Yazarlara göre, gönüllülerin büyük çoğunlukla hemfikir olduğu görüntülerde model onların ortak kararını neredeyse kusursuz biçimde yeniden üretebiliyordu.

Burada bir zincir görüyorsun: insanlar etiketler, model insanlardan öğrenir, sonra insanların yetişemeyeceği hızla milyonlarca yeni görüntüye uygular. Modelin ne kadar iyi olduğu, öğrendiği etiketlerin ne kadar iyi olduğuna bağlıdır.

Sinir ağı bir gezegen buluyor

2017'nin sonunda Christopher Shallue ve Andrew Vanderburg, Kepler'in ışık eğrilerinde gezegen adaylarını değerlendirmek için bir evrişimli sinir ağı eğitti. Ders 19.6'da elle yaptığımız işin, yani bir çukurun gerçek bir geçiş mi yoksa gökbilimsel ya da aletten kaynaklanan sahte bir sinyal mi olduğuna karar vermenin, otomatik bir hâli.

Yazarlara göre model, test kümesinde, gerçek olması muhtemel gezegen sinyallerini sahte sinyallerden yüzde 98,8 oranında daha yukarı sıraladı. Sonra modeli, zaten birden çok gezegeni bilinen yıldızlarda yeni bulunmuş aday sinyallere uyguladılar ve iki yeni gezegeni istatistiksel olarak doğruladılar. Bunlardan biri, önceden yedi geçişli gezegeni bilinen Kepler-90'ın sekizinci gezegeniydi. Bu keşifle Kepler-90, bilinen en çok gezegene sahip yıldız olarak Güneş'le berabere kaldı.

Rubin'in uyarı akışı

Rubin Gözlemevi'nin sayfasına göre, yeni görüntü ile eski görüntünün farkında beliren her değişken kaynak için bir uyarı paketi üretiliyor. Bu uyarılar herkese açık ve hiçbir bekleme süresi yok. Yedi aracı sistem, broker denen yazılımlar, bütün uyarı akışını alıp işliyor: süzüyor, kataloglarla eşleştiriyor, sınıflandırıyor ve izlenmeye değer olanları öne çıkarıyor.

Bu aracılardan ALeRCE, kendi tanımına göre geniş bir sınıf yelpazesi için makine öğrenmesiyle sınıflandırma olasılıkları sunuyor: bir ışık eğrisi süpernovaya mı, değişen bir yıldıza mı, bir aktif galaksiye mi benziyor. Böylece bir gökbilimci, gecenin sayısız değişiminin içinden, sabah takip etmeye değer birkaç tanesini seçebiliyor.

Çözümlü problem: Rengi sıcaklığa çevirmek

Makine öğrenmesinin en basit hâlini kendimiz deneyelim. Gaia'dan, parlak ve yakın 4000 yıldızın rengini, yani mavi ve kırmızı parlaklıkları arasındaki farkı, ve Gaia'nın bu yıldızlar için verdiği sıcaklığı istedik. Amacımız, yalnızca renge bakıp sıcaklığı kestiren bir kural öğrenmek.

Veriyi önce ikiye böldük: yüzde 80'iyle modeli eğittik, kalan yüzde 20'yi hiç göstermeden sınama için ayırdık. Model olarak «np.polyfit» ile renge bağlı bir polinom oturttuk. Düz bir doğru, sınama kümesinde sıcaklığı ortalama yaklaşık 299 kelvinlik bir hatayla kestirdi. Üçüncü dereceden bir eğri bu hatayı yaklaşık 143 kelvine indirdi. Hatayı, sapmaların karelerinin ortalamasının karekökü olarak ölçtük; Ders 19.7'deki standart sapmanın akrabası.

Dokuzuncu dereceden, çok daha esnek bir eğri denedik: eğitim kümesinde hata biraz daha düştü, yaklaşık 140 kelvin; ama sınama kümesinde yine 143'te kaldı. Esneklik, yeni örneklerde hiçbir şey kazandırmadı. Modelin yalnızca gördüğü veriye uyup yenisine uymamasına aşırı öğrenme (overfitting) denir. Bu yüzden bir modelin başarısı, her zaman görmediği verideki başarısıyla ölçülür.

Çözümlü problem: Yüzde 99 doğru, yüzde 50 yanılır

Bir gezegen sınıflandırıcısının gerçek gezegenlerin yüzde 99'unu yakaladığını, sahte sinyallerin de yalnızca yüzde 1'ini yanlışlıkla gezegen saydığını düşün. Kulağa kusursuz geliyor. Şimdi 10.000 aday sinyalin yalnızca 100'ünün gerçek gezegen olduğunu varsayalım.

Model 100 gerçek gezegenin 99'unu yakalar. Ama 9900 sahte sinyalin yüzde 1'ini, yani 99'unu da gezegen der. Toplam 198 "gezegen" kararının yalnızca 99'u doğrudur: 99 / 198 = 0,5. Sesli okunuşu: doksan dokuz bölü yüz doksan sekiz, yüzde elli. Gerçek gezegenler nadir olduğunda, çok iyi bir model bile kararlarının yarısında yanılabilir. Bu yüzden makine öğrenmesinin bulduğu adaylar, Ders 19.6'daki gibi ek sınamalarla doğrulanır.

Ne zaman güvenmeli?

Kendi örneğimizde bir tuzak daha vardı. Eğitim verisindeki en soğuk yıldız 3000 kelvindi. Modele rengi 2,8 olan bir yıldız sorduğumuzda 2798 kelvin dedi: eğitim aralığının dışında bir tahmin. Model bunu söylemekten çekinmez, ama o bölgede hiç örnek görmemiştir. Bir modeli, öğrendiği aralığın dışına taşıdığında, cevabı uydurmaya başlayabilir.

Etiketlerin kendisi de sorgulanmalıdır. Bizim öğrettiğimiz sıcaklıklar ölçüm değil, Gaia'nın kendi yazılımının tayflardan yaptığı tahminlerdi. Modelimiz, başka bir modelin çıktısını öğrendi; onun hatalarını da devraldı. Galaxy Zoo'da da model, gönüllülerin ortak kararını öğreniyordu; gönüllülerin yanıldığı yerde model de yanılır.

Bir tuzak daha var: model, eğitildiği veriye benzeyen veride iyi çalışır. Bir teleskobun görüntüleriyle eğitilmiş bir galaksi sınıflandırıcısı, başka bir teleskobun farklı çözünürlükteki görüntülerinde ya da çok daha uzak, daha sönük galaksilerde aynı başarıyı göstermeyebilir. Bu yüzden gökbilimciler bir modeli yeni bir veri kümesine uygulamadan önce, o kümeden elle etiketlenmiş küçük bir örnekle yeniden sınar.

Aslında…

Büyük resim

Makine öğrenmesi, gökbilimin veri seline verilen cevabın önemli bir parçası. Gönüllüler, uzmanlar ve modeller artık bir zincirin halkaları gibi çalışıyor: insanlar örnekleri etiketliyor, modeller onlardan öğrenip milyonlarca yeni gözleme uyguluyor, insanlar da modellerin öne çıkardığı ilginç adayları inceliyor.

Bu zincirin sağlamlığı, bu modülde öğrendiğin her şeye bağlı. Veriyi doğru okumak, bir sonucu hata payıyla vermek, bir adayı sahte sinyallere karşı sınamak. Bir model ne kadar güçlü olursa olsun, bu sorular yerinde duruyor: neye bakarak öğrendi, görmediği veride nasıl başarılı, ve bulduğunu kim, nasıl doğruladı?

Özet

1. Makine öğrenmesinde kuralı biz yazmayız; cevabı bilinen örneklerle bir model eğitiriz. Galaxy Zoo'da yaklaşık 100.000 gönüllünün 40 milyonu aşkın sınıflaması, galaksi sınıflayan sinir ağlarına etiket oldu; Dieleman ve arkadaşlarının modeli, gönüllülerin hemfikir olduğu görüntülerde onların kararını neredeyse kusursuz biçimde yeniden üretti.
2. Shallue ile Vanderburg'un sinir ağı, Kepler adaylarında gerçek gezegenleri sahte sinyallerden yüzde 98,8 oranında daha yukarı sıraladı ve Kepler-90'ın sekizinci gezegenini öne çıkardı. Rubin'in herkese açık uyarı akışını yedi aracı sistem işliyor; bazıları makine öğrenmesiyle sınıflandırıyor.
3. Bir modelin başarısı görmediği veride ölçülür: Gaia verisiyle eğittiğimiz renk–sıcaklık modelinde fazla esneklik sınama hatasını düşürmedi. Gerçek gezegenler nadirken yüzde 99 doğru bir sınıflandırıcı bile kararlarının yarısında yanılabilir; modeller eğitim aralığının dışında uydurabilir.

Görev

Quiz

1. Makine öğrenmesi, kuralları elle yazılan bir koddan nasıl ayrılır?
2. Galaxy Zoo makine öğrenmesine nasıl katkı yaptı?
3. Shallue ve Vanderburg'un sinir ağı neyi başardı?
4. Bir modelin aşırı öğrendiğini nereden anlarız?
5. Yüzde 99 doğru görünen bir sınıflandırıcı neden kararlarının yarısında yanılabilir?

Cevaplar

1. Kuralı biz yazmayız; cevabı bilinen örneklerle model eğitilir ve model girdiler ile cevaplar arasındaki ilişkiyi kendisi kurar.
2. Yaklaşık 100.000 gönüllünün 40 milyonu aşkın sınıflamasıyla, galaksi sınıflayan modellerin eğitileceği güvenilir etiketleri üretti.
3. Kepler adaylarında gerçek gezegenleri sahte sinyallerden yüzde 98,8 oranında daha yukarı sıraladı ve doğrulanan yeni gezegenler arasında Kepler-90'ın sekizincisi vardı.
4. Modelin eğitim verisine uyup yeni veride başarısız olmasıdır; eğitim hatası düşerken sınama hatasının düşmemesi ya da artmasıyla fark edilir.
5. Çünkü gerçek gezegenler nadirdir; çok sayıdaki sahte sinyalin küçük bir yüzdesi bile, az sayıdaki gerçek gezegen kadar yanlış karar üretebilir.

Kaynaklar

Sonraki derse köprü

Bu modülde veriyle çalışmanın araçlarını kurduk: kod, arşiv, fotometri, geçiş arama, hata payı, makine öğrenmesi. Ama araçlar bir soruya hizmet eder. Gökbilimde bir soru nasıl sorulur, bir hipotez nasıl kurulur ve bir gözlemle nasıl sınanır? Bilimsel yöntem gökbilimde nasıl işler, ve laboratuvarda deney yapamadığımız bir alanda neyi kanıt sayarız?