Geleneksel olarak bilim bir hipotezle başlar. Deneysel olarak test ettiğimiz ve veri ürettiğimiz bir teori geliştiririz; verileri analiz ederiz ve sonunda yeni bilgiler üretmeyi hedefleriz. Ürettiğimiz bilgilerin belirli kriterleri sağladığını test ettiğimiz anda bunları bilimsel dergilerde yayınlarız ya da paylaşırız.
Makine Öğreniminin (ML) ortaya çıkışı, veri odaklı bilim olarak bilinen yeni bir yaklaşımı mümkün kılmıştır. Makine öğrenimi, mevcut veri setleri ve akışlarının zenginliğini kullanarak, bir model veya ortaklık bulmak için verileri keşfedebilir. Bu ilk adımlardan sonra, veri analizi yoluyla test edilebilecek bir hipotez ortaya çıkar ve bu da yine umarız yeni bir anlayışa yol açar. Ayrıca, veri setlerinin kümelenmesi veya birleştirilmesi, tek tek veri kümelerinde fark edilemeyen bağlantıları veya bilgileri ortaya çıkarabilir.
Güneş Sistemimiz, Jüpiter ve Satürn gibi büyük gaz devlerinden asteroit ve kuyruklu yıldızların küçük kayalık ve buzlu cisimlerine kadar uzanan egzotik bir dizi nesne ve ortam içerir. 'Karasal' olarak adlandırılan gezegenler bile, yaşanabilir Dünya'nın yanı sıra cehennem gibi sıcak Venüs, kavrulmuş Merkür ve soğuk, kurak Mars'ı da içeren çok karışık bir ürün yelpazesidir.
Son otuz yılda, gezegen sistemleri hakkındaki bilgilerimiz diğer yıldızların etrafındakilere kadar genişlemiştir; bu 'ötegezegen' sistemlerinin lav gezegenleri, okyanus dünyaları ve 'sıcak Jüpiterler' gibi Güneş Sistemimizde bulunmayan birçok garip nesne içerdiği bulunmuştur.
Son yıllarda gezegen bilimi, uzay görevleri, yer tabanlı teleskoplar, bilgisayar modellemeleri, laboratuvar ve saha deneyleri de dahil olmak üzere çeşitli kaynaklardan elde edilen veri hacminde katlanarak artan bir büyüme yaşamıştır. Tüm bu kaynaklardan toplanan geniş veri arşivlerini incelemek ve analiz etmek için yeni yöntemler ve yaklaşımlar gerekmektedir. Makine öğrenimi araçlarının ve algoritmalarının kullanılmaya başlanması, yalnızca tüm verilerin incelenebileceği anlamına gelmemekte, aynı zamanda karmaşık korelasyonları bulmak, anormallikleri, hataları veya eksik bilgileri tespit etmek ve bugüne kadar gezegen araştırmalarından elde edilen verilerden en üst düzeyde faydalanmak için veri kümelerinin birleştirilebileceği ve çıkarılabileceği anlamına gelmektedir.
Makine öğrenimi destekli araçlar üç tür gezegen verisine odaklanmaktadır: zaman-serisi verileri ile veri madenciliği kullanılarak zamana bağlı olayların dinamik evrimi; görüntüleme ile eğitim algoritmaları kullanılarak belirli özelliklerin otomatik olarak görüntülenmesi ve sınıflandırılması ve tayfsal veriler ile kimyasal içerik ya da yüzey yaşları tespit edilebilmektedir.
Makine öğrenimi ve fizik tabanlı modellemeyi entegre etmek, ele alınması gereken popüler bir araştırma sorusu olmaya devam etmektedir. Makine öğreniminin gezegen bilimine ve genel olarak astronomiye uygulanmasında öne çıkan zorluklar arasında algoritmaların daha anlaşılır olması ve eğitim verilerindeki yanlılığın azaltılması yer almaktadır. Ek bir zorluk da belirli araştırma sorunlarına geleneksel istatistiksel modelleme mi yoksa daha karmaşık makine öğrenimi teknikleriyle mi daha uygun bir şekilde yaklaşılacağının belirlenmesidir. Astronomik verilerin hacmi artmaya devam ettikçe, bilgisayar bilimcileri ve gezegen bilimcileri arasında köprü kurmak ve alanı koordineli ve sürdürülebilir bir şekilde ilerletmek için iş birlikleri önemli hale gelmektedir.
Kaynaklar:
Comments