Atmosferdeki karbondioksit moleküllerinin ışıkla nasıl etkileşime girdiğini anlamak, iklim biliminden uzaktan algılamaya kadar pek çok alanda temel bir gereklilik. Bu etkileşimleri doğru modelleyebilmek için ise moleküllerin her bir enerji seviyesine özgün kuantum numaraları atanması gerekiyor. Ancak bu işlem, özellikle farklı izotop kombinasyonları söz konusu olduğunda, son derece zaman alıcı ve uzmanlık gerektiren bir süreç.
Yeni bir çalışmada araştırmacılar, bu zorluğun üstesinden gelmek için GraphSAGE adlı bir grafik sinir ağı mimarisini kullandı. Sistem, CO₂'nin 12 kararlı izotopoloğuna ait ve 15.000 cm⁻¹ enerjinin altında kalan titreşim-dönme durumlarına, Hava Kuvvetleri Jeofizik Laboratuvarı (AFGL) standardındaki kuantum numaralarını otomatik olarak atıyor.
Yapay zeka modeli, MARVEL yöntemiyle elde edilmiş deneysel enerji seviyeleri üzerinde eğitiliyor. Eğitim sırasında hem farklı izotopologlar arasındaki pertürbasyon zincirleri hem de tek bir izotopoloğun döndürme merdiveni yapısından yararlanılıyor. Bu sayede etiketlenmemiş hesaplanmış enerji seviyelerine de atama bilgisi yayılabiliyor.
Fiziksel tutarlılığı sağlamak için sistem, aynı poliyad, dönme kuantum sayısı ve pariteyi paylaşan enerji seviyeleri grupları içinde Macar algoritması adı verilen bir optimizasyon yöntemi uyguluyor. Bu adım, her kuantum numarasının yalnızca bir enerji seviyesine atanmasını garanti ediyor.
Bunun yanı sıra, beş nesil süren bir önyükleme döngüsü (bootstrap loop) ile yüksek güvenilirlikli tahminler aşamalı olarak eğitim setine ekleniyor; bu sayede modelin kapsamı ve doğruluğu giderek artıyor.
Çalışmanın önemi yalnızca teknik bir başarıyla sınırlı değil. CO₂ izotopologlarına ait doğru ve kapsamlı spektral çizgi listeleri; gezegen atmosferlerinin modellenmesinde, sera gazı izlemede ve laboratuvar spektroskopisinde doğrudan kullanılıyor. Otomatik kuantum numarası atama sürecinin bu denli büyük bir veri setine uygulanabilmesi, moleküler fizik veri tabanlarının geleceği açısından umut verici bir adım olarak değerlendiriliyor.