Datavisualisering kunne afsløre universets natur

Når kosmologer overvejer universet - og andre mulige universer - er de tilgængelige data så komplekse og omfattende, at det kan være ekstremt udfordrende for mennesker alene at forstå.

Ved anvendelse af videnskabelige principper, der bruges til at skabe modeller til forståelse af cellebiologi og fysik til udfordringerne ved kosmologi og big data, Cornell -forskere har udviklet en lovende algoritme til at kortlægge et mangfoldigt sæt sandsynligheder.

Den nye metode, som forskere har brugt til at visualisere modeller af universet, kunne hjælpe med at løse nogle af fysikkens største mysterier, såsom naturen af ​​mørk energi eller de sandsynlige egenskaber ved andre universer.

"Videnskaben virker, fordi tingene opfører sig meget mere enkelt, end de har nogen ret til, "sagde James Sethna, professor i fysik og seniorforfatter til "Visualisering af probabilistiske modeller med intensiv hovedkomponentanalyse, ", der blev offentliggjort online den 24. juni i Procedurer fra National Academy of Sciences . "Meget komplicerede ting ender med at udføre en ret simpel kollektiv adfærd."

At, han sagde, er fordi ikke alle faktorer i et system er væsentlige. For eksempel, millioner af atomer kan være involveret i en fysisk kollision, men deres adfærd er bestemt af et relativt lille antal konstanter. Data om universet indsamlet af kraftfulde teleskoper, imidlertid, har så mange parametre, at det kan være udfordrende for forskere at finde ud af, hvilke målinger der er vigtigst for at afsløre indsigt.

Algoritmen - udviklet af første forfatter Katherine Quinn, FRK. '16, Ph.d. '19 - giver forskere mulighed for at forestille sig et stort sæt sandsynligheder for at lede efter mønstre eller andre oplysninger, der kan være nyttige - og giver dem bedre intuition til at forstå komplekse modeller og data.

"Da vi har meget større og bedre datasæt, med terabyte og terabyte af information, det bliver mere og mere vanskeligt faktisk at forstå dem, " sagde Quinn. "En person kan ikke bare sætte sig ned og gøre det. Vi har brug for bedre algoritmer, der kan udtrække det, vi er interesseret i, uden at få at vide, hvad de skal kigge efter. Vi kan ikke bare sige, 'Se efter interessante universer.' Denne algoritme er en måde at afvikle information på en måde, der kan afsløre den interessante struktur af data. "

Yderligere kompliceret forskernes opgave var det faktum, at dataene består af sandsynlighedsområder, frem for rå billeder eller tal. "Det er et vanskeligere problem at håndtere, " sagde Quinn.

Deres løsning drager fordel af forskellige egenskaber ved sandsynlighedsfordelinger for at visualisere en samling af ting, der kan ske. Ud over kosmologi, deres model har applikationer til maskinlæring og statistisk fysik, som også virker i forhold til forudsigelser.

For at teste algoritmen, forskerne brugte data fra European Space Agency's Planck -satellit, og studerede det sammen med medforfatter Michael Niemack, lektor i fysik, hvis laboratorium udvikler instrumenter til at studere universets dannelse og udvikling ved at måle mikrobølgestråling. De anvendte modellen på data om den kosmiske mikrobølgebaggrund - stråling tilbage fra universets tidligste dage.

Modellen fremstillede et kort, der skildrer mulige karakteristika ved forskellige universer, hvoraf vores eget univers er ét punkt. Denne nye metode til visualisering af kvaliteterne i vores univers fremhæver den hierarkiske struktur af den mørke energi og den mørke stof dominerede model, der passer så godt til de kosmiske mikrobølge baggrundsdata. Selvom strukturen ikke er overraskende, disse visualiseringer præsenterer en lovende tilgang til optimering af kosmologiske målinger i fremtiden, sagde Niemack.

Næste, forskerne vil forsøge at udvide denne tilgang for at give mulighed for flere parametre for hvert datapunkt. Kortlægning af sådanne data kan afsløre ny information om vores univers, andre mulige universer eller mørk energi - som ser ud til at være den dominerende form for energi i vores univers, men som fysikerne stadig ved lidt om.

"Vi bruger kun rå modeller til at forklare, hvad mørk energi kan være, eller hvordan det kunne udvikle sig med tiden, "Niemack sagde." Der er en hel masse forskellige parametre, der kan føjes til modellerne, og så kunne vi visualisere dem og beslutte, hvilke målinger der er vigtige at prioritere, at forsøge at forstå, hvilken model for mørk energi der bedst beskriver vores univers. "