Dış Kaynaklı Proje Süreçleri Yönetim Sistemi
Demirköz M. (Yürütücü), Akbaş E.
Alfa Manyetik
Spektrometresi (AMS), kozmik ışınların yüksek bükülmezlik (veya enerji)
çözünürlüklü ve yüksek istatistikli ölçümlerini yapan bir parçacık fiziği dedektörüdür.
Uluslararası Uzay İstasyonunda (UUİ) bulunan AMS dedektörü diğer uzay
deneylerinden (PAMELA, Fermi vb.) farklı olarak daha yüksek istatistiklerle,
daha geniş bir enerji aralığını tarar. Bu özellikleri sayesinde, kozmik
ışınları atmosferle etkileşmeden önce gözlemleyebilen AMS’nin ve diğer uzay
deneylerinin verilerinde yüksek enerjilerde pozitronların oranının
beklenenden fazla olduğu gözlemlenmiştir. Bu sonuç, yüksek enerjili
pozitronların pulsar ya da karanlık madde olgularının çıktıları olmalarıyla
ilişkilendirilmiştir. Yüksek enerjili pozitronların baskın kaynağından daha çok
emin olmak için AMS’in yayınladığı pozitron spektrumunun enerjisi daha düşük istatistiksel
ve sistematik hata payları ile 1 TeV üzerine genişletilmelidir.
AMS’in elektron ve pozitron analizlerinde kullanılan alt detektörlerden olan Elektromanyetik Kalorimetre (ECAL) ve Geçiş Radyasyon Dedektörü (TRD) algoritmaları yüksek enerjilerde yüksek proton reddine sahip değildir. Bir yandan da mevcut yöntemle tanılanan yüksek enerjili pozitron sayısının az olmasından dolayı istatistiksel ve dolayısıyla toplam hata payları da yüksek çıkmaktadır. Bu sebeplerle yoğun proton arka planına sahip uzay ortamında yüksek enerjili pozitronların düşük hata payları ve yüksek doğrululukla tanılanmasında yeni analiz yöntemlerine başvurulması ihtiyacı açıktır.
Bilgisayar görüsü ve doğal dil işleme başta olmak üzere çeşitli birçok alanda derin yapay sinir ağları, klasik yapay öğrenme metotlarına üstünlük sağlamıştır. Bu proje ile yüksek enerji fiziği deneylerinde kullanılmaya başlanan, AMS deneyi özelinde ECAL verisi sınıflandırmasında ilk uygulamasını Evrişimli Görü Dönüştürücü (CvT) ile sadece ODTÜ İVMER ekibinin AMS kolaborasyonu içinde görev olarak üstlendiği ve büyük bir hızla kendini yenileyen derin öğrenme literatüründe en yüksek performansı gösterdiği bilinen ve en güncel derin öğrenme modellerinden “dönüştürücüler” (CoAtNet ve CvT) ve Alan Uyarlaması metotlarını pozitron analizi ihtiyaçları doğrultusunda AMS’e uygulayarak; 1) yenilikçi ve yüksek doğruluğa sahip derin öğrenme modellerinin AMS’te ilk defa kullanılması ve bu modellerin AMS’te elektromanyetik kalorimetre kullanılarak pozitronları protonlardan ayırt etmesi, 2) yüksek elektron verimliliğinde yüksek proton reddi veren modelimiz ile pozitron analizi çalışmalarının hata paylarını düşürmesi ve spektrumların enerji aralığının yükselmesi, 3) pozitron spektrumunun yüksek enerjilerinde gözlemlenen beklenmeyen akı artışının nedenini açıklanması amaçlanmaktadır.
Bu amaçları hayata geçirmek için benimsenen yöntemler; AMS’te uygulanacak çeşitli derin öğrenme modellerini eğitecek, doğrulayacak ve test edecek bir veri setinin hazırlanması, AMS projesinde kullanılan Monte Carlo (MC) benzetimlerinde iyileştirmeler ve test demeti verileri ile doğrulamalar yaparak veri setinin genişletilmesi, CoAtNet ve “Düşman Ayrımcı Etki Alan Uygulaması” kodlarının hazırlanması, eğitimi ve testi son olarak da pozitron oranının analizi olarak belirlenmiştir.
Projedeki hedeflerin tamamlanmasıyla geliştirilen,
pozitronları arka plan protonlarından daha yüksek bir verimlilikle ve proton
reddi ile ayıran yeni bir derin öğrenme modeli ile pozitron oranı daha yüksek
enerjilerde ve daha düşük hata payları ile ölçülecektir. Geliştirdiğimiz model
uzun bir süre boyunca pozitron analizlerinde ve olası diğer analizlerde
kullanılması için AMS kolaborasyonunun kullanımına sunulacaktır. Böylece
astroparçacık fiziği alanındaki karanlık madde çalışmalarına yenilikçi
bilgisayar bilimi yöntemlerinden görü dönüştürücüler ve alan uyarlaması
kullanılarak katkı sağlanmış olunacaktır.