Gezegenlerin Kaderini Çözen Yapay Zeka Denklemleri

Gezegen sistemlerinin ne zaman kararsız hale gelerek kaosa sürükleneceğini öngörmek, tam üç yüz yıldır bilim dünyasını meşgul eden zorlu bir bulmaca olmuştur. Son yıllarda yapay zeka alanındaki gelişmeler, bu kararsızlık dinamiklerini yüksek bir başarıyla tahmin edebilse de, bu sistemler "karakutu" (black-box) yapıda oldukları için mevcut bilimsel anlayışımızla doğrudan ilişkilendirilemiyordu. Yani yapay zeka doğru tahminler yapıyordu ancak bu sonuca nasıl ulaştığını tam olarak açıklayamıyordu.

Ne yaptılar?

Araştırmacılar, bu sorunu aşmak için iki aşamalı bir yöntem izlediler. İlk olarak, gök cisimlerinin hareketlerini simüle eden N-gövde simülasyonları (N-body simulations - gök cisimlerinin birbirlerine uyguladıkları kütleçekimsel kuvvetleri hesaplayan bilgisayar simülasyonları) veri setini kullanarak bir sinir ağı (neural network - insan beyninin çalışma prensibinden esinlenen yapay öğrenme modeli) eğittiler. İkinci aşamada ise, bu sinir ağının öğrendiği gizli bilgiyi kapalı formda cebirsel ifadelere dönüştürdüler. Bu süreçte önce yorumlanabilir bir değişken tabanı öğrendiler, ardından sembolik regresyon (symbolic regression - verilerden hareketle matematiksel denklemler arayan bir hesaplama yöntemi) kullanarak en uygun denklemleri aradılar.

Neden önemli?

Ortaya çıkan yeni denklemler, kararsızlığı tahmin eden mevcut analitik tahminlerden daha iyi performans gösterdi. Bu denklemler; kütle oranları, yörünge aralıkları ve yörünge dışmerkezlikleri (orbital eccentricities - bir yörüngenin mükemmel bir daireden ne kadar saptığını gösteren ölçü) gibi çok geniş bir yelpazede başarıyla uygulanabiliyor. Ayrıca, dinamik olarak yorumlanabilen az sayıdaki değişken sayesinde, tahmin alanındaki yapıları açıkça gözler önüne seriyorlar. Bu sonuçlar, sembolik öğrenmenin sinir ağlarıyla nasıl birleştirilerek karmaşık dinamik sistemlerden bilimsel içgörü elde edilebileceğini açıkça gösteriyor.

Sınırlamalar

Makalenin sağlanan metninde, geliştirilen bu yeni denklemlerin veya yöntemin olası zayıf yönlerine, eksikliklerine ya da hata paylarına dair herhangi bir sınırlama bilgisi yer almamaktadır.