Evrenin büyük ölçekli yapısında bulunan kozmik boşluklar, astronomlar için değerli bilgi kaynakları. Bu dev bölgeler, galaksilerin seyrek olduğu ve maddenin düşük yoğunlukta bulunduğu alanlar olarak tanımlanıyor. Kozmik boşluklar, evrenin evrimini ve karanlık maddenin dağılımını anlamamızda kritik rol oynuyor.
Geleneksel kozmik boşluk tespit yöntemleri, galaksi araştırmalarından elde edilen verileri kullanarak deterministik kataloglar oluşturuyor. Ancak bu yaklaşım, veri eksikliklerinden kaynaklanan belirsizlikleri göz ardı ediyor. Yeni geliştirilen yöntem ise bu soruna olasılıksal bir çözüm getiriyor.
Araştırmacılar, derin graf sinir ağlarını kullanan yenilikçi bir algoritma tasarladı. Sistem, galaksi kataloglarından kozmik boşluk tanımlarına olan stokastik eşleştirmeyi örnekleyebiliyor. Algoritma, 'test parçacıklarını' akış eşleştirme hedefi doğrultusunda hareket ettirerek çalışıyor.
İlk testlerde sistem, deterministik bir öğretmen modelden eğitim almasına rağmen, önemli ölçüde stokastik davranış sergiliyor. Araştırmacılar bu durumu düzenlileştirme (regularization) olarak yorumluyor ve bunun sistem performansını artırdığını belirtiyor.
En çarpıcı bulgu, algoritmanın ürettiği kozmik boşluk kataloglarının, öğretmen modelden daha fazla kozmolojik bilgi içermesi. Bu gelişme, evrenin gizli yapılarını anlamamızda önemli bir ilerleme sağlayabilir.