Yapay Zeka ile Asteroit Tespiti: Derin Öğrenme, Yörünge Çıkarımı ve Anomali Analizi
Yapay zeka tabanlı asteroit tespiti, geniş alan zaman serisi gökyüzü taramalarında zayıf sinyalli ve hareketli cisimlerin otomatik olarak belirlenmesini amaçlar. Büyük veri hacmi, düşük sinyal-gürültü oranı ve karmaşık artefakt yapısı nedeniyle klasik eşikleme yöntemleri yetersiz kalır. Derin öğrenme, istatistiksel karar teorisi ve yörünge belirleme algoritmaları birlikte kullanılır.
1. Gözlenen Piksel Modeli
CCD görüntüsünde ölçülen yoğunluk:
$$I(x,y,t) = S(x,y,t) + N(x,y,t)$$
Burada \(S\) gerçek sinyal, \(N\) gürültüdür.
Amaç, hareketli kaynak sinyalini arka plandan ayırmaktır.
2. Sinyal-Gürültü Oranı
$$\text{SNR} = \frac{F}{\sqrt{F + B + \sigma_{read}^2}}$$
Burada \(F\) kaynak foton sayısı, \(B\) arka plan, \(\sigma_{read}\) okuma gürültüsüdür.
Zayıf asteroitler düşük SNR üretir.
3. Hareketli Kaynak Algılama
Görüntü farkı yöntemi:
$$D(x,y) = I_t(x,y) – I_{t-\Delta t}(x,y)$$
Statik kaynaklar iptal olur, hareketli nesneler belirginleşir.
4. Konvolüsyonel Sinir Ağları (CNN)
Temel konvolüsyon işlemi:
$$(I * K)(x,y) = \sum_{i,j} I(x-i,y-j)K(i,j)$$
CNN, çizgisel iz (streak) ve noktasal hareketli kaynakları sınıflandırır.
5. Çizgisel İz (Streak) Tespiti
Uzun pozlamada iz uzunluğu:
$$L = v_{ang} \cdot t_{exp}$$
Burada \(v_{ang}\) açısal hız, \(t_{exp}\) poz süresidir.
Derin öğrenme iz morfolojisini tanır.
6. Olasılık Tabanlı Sınıflandırma
Lojistik model:
$$P(y=1|x) = \frac{1}{1+e^{-z}}$$
Burada \(z = \mathbf{w} \cdot \mathbf{x}\) özellik vektörüdür.
Çıktı, adayın gerçek asteroit olma olasılığıdır.
7. Yanlış Pozitif Oranı
Yanlış alarm olasılığı:
$$FPR = \frac{FP}{FP + TN}$$
ROC eğrisi eşik seçimini optimize eder.
8. Zaman Serisi Bağlama (Tracklet Oluşturma)
Aynı gece gözlemlerinin bağlanması:
$$\Delta \theta \approx \mu \Delta t$$
Burada \(\mu\) özdevinimdir.
AI tabanlı eşleştirme, kombinatoryal karmaşıklığı azaltır.
9. Yörünge İlk Tahmini
Gauss yöntemiyle yaklaşık çözüm:
$$\mathbf{r}(t) = f(t) \mathbf{r}_1 + g(t) \mathbf{v}_1$$
Üç gözlem noktasından başlangıç yörüngesi çıkarılır.
10. Kovaryans ve Belirsizlik
Durum kovaryansı:
$$\mathbf{C} = \langle (\mathbf{x}-\bar{\mathbf{x}})(\mathbf{x}-\bar{\mathbf{x}})^T \rangle$$
Yapay zeka filtreleri, belirsizliği minimize edecek gözlem seçimleri yapabilir.
11. Anomali Tespiti
Yeniden yapılandırma hatası (autoencoder):
$$E = ||x – \hat{x}||^2$$
Yüksek hata anormal veya yeni bir cisme işaret eder.
12. Gerçek Zamanlı İşleme
Veri akış hızı:
$$R_{data} = N_{img} \cdot S_{img}$$
Büyük tarama teleskoplarında terabayt/gece mertebesindedir.
GPU tabanlı paralel hesaplama zorunludur.
Sonuç
Yapay zeka ile asteroit tespiti, düşük SNR koşullarında hareketli kaynakları otomatik olarak belirleyerek keşif verimliliğini artırır. CNN tabanlı görüntü sınıflandırma, streak tespiti ve anomali analizi yanlış pozitifleri azaltır. Zaman serisi bağlama ve ilk yörünge çıkarımı, adayları hızlı biçimde doğrular. Büyük ölçekli gökyüzü taramalarında gerçek zamanlı işleme kapasitesi, potansiyel tehlikeli asteroitlerin erken tespitinde kritik rol oynar.