En AI-assisteret analyse af tredimensionel galaksefordeling i vores univers

Ved at anvende en maskinlæringsteknik, en neural netværksmetode, på gigantiske mængder simuleringsdata om dannelsen af ​​kosmiske strukturer i universet, har et team af forskere udviklet et meget hurtigt og yderst effektivt softwareprogram, der kan lave teoretiske forudsigelser om struktur dannelse. Ved at sammenligne modelforudsigelser med faktiske observationsdatasæt lykkedes det for teamet at måle kosmologiske parametre nøjagtigt, rapporterer en undersøgelse i Physical Review D .

Da den hidtil største galakseundersøgelse i verden, Sloan Digital Sky Survey (SDSS), skabte et tredimensionelt kort over universet via den observerede fordeling af galakser, blev det klart, at galakser havde visse egenskaber. Nogle ville klumpe sig sammen eller brede sig ud i filamenter, og nogle steder var der hulrum, hvor der slet ikke eksisterede nogen galakser. Alle disse showgalakser udviklede sig ikke på en ensartet måde, de blev dannet som et resultat af deres lokale miljø. Generelt er forskere enige om, at denne uensartede fordeling af galakser skyldes virkningerne af tyngdekraften forårsaget af fordelingen af ​​"usynligt" mørkt stof, det mystiske stof, som ingen endnu har observeret direkte.

Ved at studere dataene i det tredimensionelle kort over galakser i detaljer, kunne forskere afdække de fundamentale størrelser såsom mængden af ​​mørkt stof i universet. I de seneste år er N-legeme-simuleringer blevet brugt i vid udstrækning i undersøgelser, der genskaber dannelsen af ​​kosmiske strukturer i universet. Disse simuleringer efterligner de indledende inhomogeniteter ved høje rødforskydninger af et stort antal N-legeme-partikler, der effektivt repræsenterer mørkt stof-partikler, og simulerer derefter, hvordan mørkt stof-fordeling udvikler sig over tid, ved at beregne tyngdekraftens trækkraft mellem partikler i et ekspanderende univers. Simuleringerne er dog normalt dyre og tager titusvis af timer at gennemføre på en supercomputer, selv for en kosmologisk model.

Et team af forskere, ledet af det tidligere Kavli Institut for Universets Fysik og Matematik (Kavli IPMU) projektforsker Yosuke Kobayashi (i øjeblikket postdoktoral forskningsassistent ved University of Arizona), og herunder Kavli IPMU Professor Masahiro Takada og Kavli IPMU Visiting Scientists Takahiro Nishimichi og Hironao Miyatake, kombinerede maskinlæring med numeriske simuleringsdata af supercomputeren "ATERUI II" ved National Astronomical Observatory of Japan (NAOJ) for at generere teoretiske beregninger af effektspektret, den mest fundamentale størrelse målt fra galakseundersøgelser, som fortæller forskere statistisk hvordan galakser er fordelt i universet.

Normalt skulle der køres adskillige millioner af N-kroppssimuleringer, men Kobayashis team var i stand til at bruge maskinlæring til at lære deres program at beregne effektspektret med samme nøjagtighedsniveau som en simulering, selv for en kosmologisk model, som simuleringen var endnu ikke kørt. Denne teknologi kaldes en emulator og bliver allerede brugt inden for datalogi uden for astronomi.

"Ved at kombinere maskinlæring med numeriske simuleringer, som koster meget, har vi været i stand til at analysere data fra astronomiske observationer med høj præcision. Disse emulatorer har været brugt i kosmologiske studier før, men næppe nogen har været i stand til at tage højde for de talrige andre effekter, som ville kompromittere kosmologiske parameterresultater ved brug af rigtige galakseundersøgelsesdata. Vores emulator gør og har været i stand til at analysere virkelige observationsdata. Denne undersøgelse har åbnet en ny grænse for storstilet strukturel dataanalyse," sagde hovedforfatteren Kobayashi .

Men for at anvende emulatoren på faktiske galakseundersøgelsesdata, måtte holdet tage højde for "galaksebias"-usikkerhed, en usikkerhed, der tager i betragtning, at forskere ikke nøjagtigt kan forudsige, hvor galakser dannes i universet på grund af deres komplicerede fysik, der er iboende i galaksedannelsen .

For at overvinde denne vanskelighed fokuserede holdet på at simulere fordelingen af ​​mørkt stof "haloer", hvor der er en høj tæthed af mørkt stof og stor sandsynlighed for dannelse af galakser. Holdet lykkedes med at lave en fleksibel modelforudsigelse for en given kosmologisk model ved at indføre et tilstrækkeligt antal "gener"-parametre til at tage højde for galaksebias-usikkerheden.

Derefter sammenlignede holdet modelforudsigelsen med et faktisk SDSS-datasæt og målte med succes kosmologiske parametre med høj præcision. Det bekræfter som en uafhængig analyse, at kun omkring 30 procent af al energi kommer fra stof (hovedsageligt mørkt stof), og at de resterende 70 procent er resultatet af mørk energi, der forårsager den accelererede udvidelse af universet. Det lykkedes også at måle klumpheden af ​​stof i vores univers, mens den konventionelle metode, der blev brugt til at analysere galaksens 3D-kort, ikke var i stand til at bestemme disse to parametre samtidigt.

Præcisionen af ​​deres parametermåling overstiger den, der er opnået ved de tidligere analyser af galakseundersøgelser. Disse resultater viser effektiviteten af ​​emulatoren udviklet i denne undersøgelse. Det næste skridt for forskerholdet vil være at fortsætte med at studere mørkt stofs masse og naturen af ​​mørk energi ved at anvende deres emulator på galaksekort, der vil blive fanget af Prime Focus Spectrograph, under udvikling, ledet af Kavli IPMU, for at blive monteret på NAOJs Subaru-teleskop. + Udforsk yderligere

Kunstig intelligens-værktøj udviklet til at forudsige universets struktur