Genom att tillämpa en maskininlärningsteknik, en neural nätverksmetod, på gigantiska mängder simuleringsdata om bildandet av kosmiska strukturer i universum, har ett team av forskare utvecklat ett mycket snabbt och mycket effektivt program som kan göra teoretiska förutsägelser om struktur bildning. Genom att jämföra modellförutsägelser med faktiska observationsdatauppsättningar lyckades teamet noggrant mäta kosmologiska parametrar, rapporterar en studie i Physical Review D .

När den hittills största galaxundersökningen i världen, Sloan Digital Sky Survey (SDSS), skapade en tredimensionell karta över universum via den observerade fördelningen av galaxer, blev det klart att galaxer hade vissa egenskaper. Vissa skulle klumpa ihop sig, eller breda ut sig i filament, och på vissa ställen fanns det tomrum där inga galaxer alls fanns. Alla dessa showgalaxer utvecklades inte på ett enhetligt sätt, de bildades som ett resultat av sin lokala miljö. I allmänhet är forskare överens om att denna olikformiga fördelning av galaxer beror på effekterna av gravitationen som orsakas av fördelningen av "osynlig" mörk materia, den mystiska materien som ingen ännu direkt har observerat.

Genom att studera data i den tredimensionella kartan över galaxer i detalj kunde forskare avslöja de grundläggande storheterna som mängden mörk materia i universum. Under de senaste åren har N-kroppssimuleringar använts i stor utsträckning i studier som återskapar bildandet av kosmiska strukturer i universum. Dessa simuleringar efterliknar de initiala inhomogeniteterna vid höga rödförskjutningar av ett stort antal N-kroppspartiklar som effektivt representerar mörk materia partiklar, och simulerar sedan hur mörk materia distribution utvecklas över tiden, genom att beräkna gravitationella dragkrafter mellan partiklar i ett expanderande universum. Men simuleringarna är vanligtvis dyra och tar tiotals timmar att genomföra på en superdator, även för en kosmologisk modell.

Ett team av forskare, ledd av tidigare Kavli Institute for the Physics and Mathematics of the Universe (Kavli IPMU) projektforskare Yosuke Kobayashi (för närvarande postdoktoral forskarassistent vid University of Arizona), och inklusive Kavli IPMU professor Masahiro Takada och Kavli IPMU Visiting Scientists Takahiro Nishimichi och Hironao Miyatake, kombinerade maskininlärning med numerisk simuleringsdata av superdatorn "ATERUI II" vid National Astronomical Observatory of Japan (NAOJ) för att generera teoretiska beräkningar av kraftspektrumet, den mest fundamentala kvantiteten uppmätt från galaxundersökningar som berättar forskarna. statistiskt hur galaxer är fördelade i universum.

Vanligtvis skulle flera miljoner N-kroppssimuleringar behöva köras, men Kobayashis team kunde använda maskininlärning för att lära sitt program att beräkna effektspektrumet på samma nivå av noggrannhet som en simulering, även för en kosmologisk modell för vilken simuleringen hade ännu inte körts. Denna teknik kallas en emulator och används redan inom datavetenskap utanför astronomi.

"Genom att kombinera maskininlärning med numeriska simuleringar, som kostar mycket, har vi kunnat analysera data från astronomiska observationer med hög precision. Dessa emulatorer har använts i kosmologistudier tidigare, men knappast någon har kunnat ta hänsyn till de många andra effekter, som skulle äventyra kosmologiska parameterresultat med hjälp av riktiga galaxundersökningsdata. Vår emulator gör och har kunnat analysera verkliga observationsdata. Denna studie har öppnat en ny gräns för storskalig strukturell dataanalys", säger huvudförfattaren Kobayashi .

Men för att applicera emulatorn på faktiska galaxundersökningsdata, var teamet tvunget att ta hänsyn till "galaxbias"-osäkerhet, en osäkerhet som tog hänsyn till att forskare inte exakt kan förutsäga var galaxer bildas i universum på grund av deras komplicerade fysik som är inneboende i galaxbildning .

För att övervinna denna svårighet fokuserade teamet på att simulera fördelningen av mörk materia "halos", där det finns en hög täthet av mörk materia och hög sannolikhet för att galaxer bildas. Teamet lyckades göra en flexibel modellförutsägelse för en given kosmologisk modell, genom att införa ett tillräckligt antal "obehagliga" parametrar för att ta hänsyn till osäkerheten i galaxbias.

Sedan jämförde teamet modellförutsägelsen med en faktisk SDSS-datauppsättning och mätte framgångsrikt kosmologiska parametrar med hög precision. Den bekräftar som en oberoende analys att endast cirka 30 procent av all energi kommer från materia (främst mörk materia), och att de återstående 70 procenten är resultatet av mörk energi som orsakar den accelererade expansionen av universum. De lyckades också mäta materiens klumpighet i vårt universum, medan den konventionella metoden som användes för att analysera galaxens 3D-kartor inte kunde bestämma dessa två parametrar samtidigt.

Precisionen för deras parametermätning överstiger den som erhållits genom de tidigare analyserna av galaxundersökningar. Dessa resultat visar effektiviteten hos emulatorn som utvecklats i denna studie. Nästa steg för forskargruppen blir att fortsätta att studera mörk materias massa och mörk energis natur genom att applicera sin emulator på galaxkartor som kommer att fångas av Prime Focus Spectrograph, under utveckling, ledd av Kavli IPMU, för att vara monterad på NAOJ:s Subaru-teleskop. + Utforska vidare

Verktyg för artificiell intelligens utvecklat för att förutsäga universums struktur