När kosmologer funderar över universum - och andra möjliga universum - är de data som är tillgängliga för dem så komplexa och omfattande att det kan vara extremt utmanande för människor ensamma att förstå.

Vid tillämpning av vetenskapliga principer som används för att skapa modeller för förståelse av cellbiologi och fysik för utmaningarna i kosmologi och big data, Cornell -forskare har utvecklat en lovande algoritm för att kartlägga en mångfacetterad uppsättning sannolikheter.

Den nya metoden, som forskare har använt för att visualisera modeller av universum, kan hjälpa till att lösa några av fysikens största mysterier, såsom den mörka energins natur eller andra universums troliga egenskaper.

"Vetenskap fungerar för att saker beter sig mycket enklare än de har någon rätt till, "sa James Sethna, professor i fysik och seniorförfattare till "Visualisering av probabilistiska modeller med intensiv huvudkomponentanalys, "som publicerades online den 24 juni i Förfaranden från National Academy of Sciences . "Mycket komplicerade saker slutar med att göra ganska enkelt kollektivt beteende."

Den där, han sa, beror på att inte alla faktorer i ett system är signifikanta. Till exempel, miljontals atomer kan vara inblandade i en fysisk kollision, men deras beteende bestäms av ett relativt litet antal konstanter. Data om universum som samlats in av kraftfulla teleskop, dock, har så många parametrar kan det vara utmanande för forskare att ta reda på vilka mätningar som är viktigast för att avslöja insikter.

Algoritmen - utvecklad av första författaren Katherine Quinn, FRÖKEN. '16, Ph.D. '19 - låter forskare avbilda en stor uppsättning sannolikheter för att leta efter mönster eller annan information som kan vara användbar - och ger dem bättre intuition för att förstå komplexa modeller och data.

"Eftersom vi har mycket större och bättre datamängder, med terabyte och terabyte med information, det blir allt svårare att faktiskt förstå dem, "Quinn sa." En person kan inte bara sitta ner och göra det. Vi behöver bättre algoritmer som kan extrahera det vi är intresserade av, utan att få veta vad de ska leta efter. Vi kan inte bara säga, "Leta efter intressanta universum." Denna algoritm är ett sätt att ta bort information på ett sätt som kan avslöja dataens intressanta struktur. "

Ytterligare komplicerar forskarnas uppgift var det faktum att data består av sannolikhetsintervall, snarare än råa bilder eller siffror. "Det är ett svårare problem att hantera, Sa Quinn.

Deras lösning drar fördel av olika egenskaper hos sannolikhetsfördelningar för att visualisera en samling saker som kan hända. Förutom kosmologi, deras modell har applikationer för maskininlärning och statistisk fysik, som också fungerar när det gäller förutsägelser.

För att testa algoritmen, forskarna använde data från European Space Agency's Planck -satellit, och studerade det med medförfattaren Michael Niemack, docent i fysik, vars laboratorium utvecklar instrument för att studera universums bildande och utveckling genom att mäta mikrovågsstrålning. De tillämpade modellen på data om den kosmiska mikrovågsbakgrunden - strålning kvar från universums tidigaste dagar.

Modellen tog fram en karta som visar möjliga egenskaper hos olika universum, varav vårt eget universum är en punkt. Den här nya metoden för att visualisera kvaliteterna i vårt universum belyser den hierarkiska strukturen för den mörka energi- och mörk materiedominerade modellen som passar den kosmiska mikrovågsbakgrunden så bra. Även om strukturen inte är förvånande, dessa visualiseringar presenterar ett lovande tillvägagångssätt för att optimera kosmologiska mätningar i framtiden, Sa Niemack.

Nästa, forskarna kommer att försöka utöka detta tillvägagångssätt för att möjliggöra fler parametrar för varje datapunkt. Kartläggning av sådan data kan avslöja ny information om vårt universum, andra möjliga universum eller mörk energi - som tycks vara den dominerande energiformen i vårt universum men som fysiker fortfarande vet lite om.

"Vi använder bara råmodeller för att förklara vad mörk energi kan vara, eller hur det kan utvecklas med tiden, "Niemack sa." Det finns en hel rad olika parametrar som kan läggas till modellerna, och sedan kunde vi visualisera dem och bestämma vilka som är viktiga mätningar att prioritera, att försöka förstå vilken modell av mörk energi som bäst beskriver vårt universum. "