Galaksi morfolojisi taksonomisi için denetimsiz çokmodlu derin öğrenme: ölçeklenebilir anket bilimi için ConvNeXtEmbeddings ve morfolojik parametrelerin bütünleştirilmesi

Bilgisayarlara Galaksilerin Şekillerini Okutmak

Günümüz gökyüzü anketleri milyarlarca galaksinin fotoğrafını çekiyor; bu, herhangi bir astronom ya da vatandaş bilimci ekibinin gözle elle sınıflandırabileceğinden çok daha fazla. Oysa pürüzsüz elipslerden büyük sarmallara ve kaotik birleşmelere kadar galaksilerin şekilleri, evrenin yapıları nasıl kurduğuna dair hayati ipuçları taşır. Bu makale, bilgisayarlara önceden ne arayacakları söylenmeden galaksileri otomatik olarak ayırmanın yeni bir yolunu tanıtıyor ve gerçekten devasa ölçekte kozmik yapıyı keşfetmenin kapısını açıyor.

Galaksi Şekillerinin Önemi

Galaksiler sadece güzel görüntüler değildir; görünüşleri yaşam öykülerini kodlar. Pürüzsüz, yuvarlak sistemler genellikle daha yaşlı ve daha sakin olurken, belirgin sarmal kolları veya bozulmuş şekilleri olan galaksiler sıklıkla devam eden yıldız oluşumuna veya yakın zamanda gerçekleşmiş çarpışmalara işaret eder. Bir asırdır astronomlar bu biçimleri elipsler, sarmallar ve düzensizler gibi ailelere ayırarak görünür yapıyı altta yatan fizik ile ilişkilendirdiler. Ancak Sloan Digital Sky Survey gibi projeler ve Rubin Gözlemevi’nin Legacy Survey of Space and Time gibi yakında hizmete girecek gözlemevleri gökyüzünü eşi görülmemiş derinlikte görüntülediği için geleneksel elle etiketleme sürdürülmesi imkânsız hale geldi.

İnsan Etiketlerinden Denetimsiz Keşfe

Otomatik galaksi sınıflandırmasındaki son gelişmelerin çoğu denetimli derin öğrenmeye dayanıyor: bilgisayarlar insan tarafından önceden etiketlenmiş binlerce örnekten öğreniyor. Bu iyi çalışıyor ama özenle oluşturulmuş eğitim setlerine bağımlı ve insanların önceden tanımladığı kategorilerle sınırlı. Yazarlar bunun yerine algoritmanın verideki doğal gruplanmaları kendi başına keşfetmesini isteyen denetimsiz bir yolu izliyor. Bunu yapmak için günlük fotoğraflar üzerinde eğitilmiş güçlü görüntü analiz ağlarını kullanıyor, sonra bunları galaksi görüntülerine uyarak zengin görsel parmak izleri çıkarıyorlar; hiçbir galaksinin önceden atanmış bir etikete sahip olmasına gerek yok.

Görüntüleri Fiziksel Ölçümlerle Harmanlamak

Galaksi görüntüleri muazzam ayrıntı içerir, ama astronomlar ayrıca yapının merkezileşme derecesi, galaksinin ne kadar dengesiz göründüğü, yıldız oluşum bölgelerinin ne kadar düzensiz olduğu ve ışığın pikseller arasında ne kadar eşit dağılmış olduğu gibi basit sayısal betimleyiciler de kullanır. Ekip her iki dünyayı birleştiriyor: iki modern sinir ağından elde edilen derin görsel özellikler ve beş klasik yapısal ölçüm. Görüntü tabanlı betimleme binlerce sayıya kadar çıkarken fiziksel ölçümler yalnızca bir avuç olduğundan, tüm bilgileri kompakt bir dahili koda sıkıştıran özel bir "çokmodlu otoenkoder" inşa ediyorlar. Bu 64 sayılık kod, sistemin görüntülerden öğrendikleri ile temel galaksi fiziğinden bilinenler arasında bir denge kurmaya zorlanmasını sağlıyor.

Verinin Doğal Ailelerine Düşmesine İzin Vermek

Her biri dikkatle temizlenen 4.950 Sloan anketi galaksisinin bu dengelenmiş, 64 boyutlu koda indirgenmesinin ardından, yazarlar galaksi nüfusunu örtüşen grupların pürüzsüz karışımı olarak ele alan olasılıksal bir kümeleme tekniği uyguluyor. Keskin sınırlar zorlamak yerine, her galaksiye birkaç küme içinde bir üyelik derecesi atıyor ve yalnızca en uç yüzde 2'yi gerçek tuhaflıklar veya artefaktlar olarak işaretliyor. Ortaya çıkan ana kümeler tanıdık ailelerle iyi örtüşüyor: erken tip galaksilere benzeyen pürüzsüz, kompakt sistemler; geç tip sarmallara benzeyen yaygın, düzensiz diskler; etkileşimde ve bozulmuş sistemler; ve ara, geçiş halindeki diskler. Dahili testler, bu birleşik görüntü-ve-fizik temsiliyetinin görüntüler veya yapısal sayılar tek başına kullanıldığında olduğundan daha temiz, daha tutarlı gruplar ürettiğini gösteriyor.

Klasik Kurallarla Karşılaştırma ve Ölçeklendirme

Bilgisayarın denetimsiz gruplaşmalarının fiziksel açıdan anlamlı olup olmadığını görmek için yazarlar bunları basit yapı diyagramlarına dayanan uzun süre kullanılan pratik sınırlarla karşılaştırıyor. Algoritma hiçbir zaman insan yapımı etiketleri görmemiş olsa da sınıflandırmalarının yaklaşık yarısı bu geleneksel kategorilerle örtüşüyor ve geri kalan kısım ise daha eski, iki parametreli kuralların birlikte bulanıklaştırdığı daha ince varyasyonları ortaya çıkarıyor. Aynı derecede önemli olarak, tüm boru hattı hızlı çalışıyor: modern donanımda her bir galaksinin işlenmesi sadece birkaç on milisaniye alabiliyor; bu hız yakında milyarlarca galaksiyi kataloglayacak petabayt ölçeğindeki anketler için uygun.

Galaksi Zoon'unun Yeni Bir Haritası

Günlük terimlerle, bu çalışma bilgisayara hem astronomların zaten bildiklerine saygı gösteren hem de verinin hâlâ saklıyor olabileceği şeyleri hesaba katan şekilde galaksileri "görmeyi" ve gruplaymayı öğretmenin yolunu gösteriyor. Görsel kalıpları basit fiziksel ölçümlerle harmanlayarak ve katı kutular yerine kademeli geçişlere izin vererek yöntem esnek, ölçeklenebilir bir galaksi taksonomisi inşa ediyor. Bu yaklaşım, bilim insanlarının yaklaşan gökyüzü görüntüleri selini süzmesine, nadir veya alışılmadık sistemleri tespit etmesine ve galaksilerin kozmik zaman içinde nasıl oluştuğu, etkileştiği ve dönüştüğü konusundaki anlayışımızı rafine etmesine yardımcı olmalıdır.

Atıf: Selim, I.M., Farahat, A.S., Basmsm, L.H. et al. Unsupervised multimodal deep learning for galaxy morphology taxonomy: integrating ConvNeXtEmbeddings and morphological parameters for scalable survey science. Sci Rep 16, 12183 (2026). https://doi.org/10.1038/s41598-026-45369-5

Anahtar kelimeler: galaksi morfolojisi, denetimsiz öğrenme, derin öğrenme, astronomik anketler, kümeleme