En gruppe videnskabsmænd er muligvis faldet over en radikalt ny måde at studere kosmologi på.
Kosmologer bestemmer normalt universets sammensætning ved at observere så mange dele af det som muligt. Men disse forskere fandt ud af, at en maskinlæringsalgoritme kan granske en enkelt modelleret galakse og forudsige den overordnede sammensætning af det digitale univers, hvori den eksisterer - svarende til at analysere et tilfældigt sandkorn under et mikroskop og bestemme massen af Eurasien. Det ser ud til, at maskinerne har opdaget et mønster, der i fremtiden kan gøre det muligt for astronomer at drage store konklusioner om det virkelige kosmos blot ved at studere de elementære byggesten.
"Det er en helt anden idé. I stedet for at måle de millioner af galakser, kan du bare tage en. Det er overraskende, at det virker," sagde Francisco Villaescuza-Navarro, en teoretisk astrofysiker ved Flatiron Institute i New York og hovedforfatter af papiret.
Dette burde ikke være sket. Den utrolige opdagelse voksede ud af en øvelse, Vilaescuza-Navarro gav Jupiter Dean, en studerende ved Princeton University: at bygge et neuralt netværk, der, givet en galakses egenskaber, kunne estimere et par kosmologiske egenskaber. Udfordringen var simpelthen at introducere Dean til machine learning. Så lagde de mærke til, at computeren beregnede den samlede tæthed af stof. "Jeg troede, at eleven lavede en fejl," sagde Villaescuza-Navarro. "Det var lidt svært for mig at tro, for at være ærlig."
Forskerne analyserede 2000 digitale universer skabt som en del af Cosmology and Astrophysics with Machine Learning Modeling (CAMELS)-projektet. Disse universer varierede i sammensætning fra 10% til 50% stof, mens resten var mørk energi, hvilket får universet til at udvide sig hurtigere og hurtigere (Vores virkelige kosmos er omkring en tredjedel mørkt og synligt stof og to tredjedele mørk energi) . Efterhånden som simuleringen skred frem, smeltede mørkt stof og synligt stof sig ind i galakser. Simuleringerne omfattede også en grov behandling af komplekse fænomener som supernovaer og ejecta fra supermassive sorte huller.
Deans neurale netværk studerede næsten 1 million simulerede galakser i disse forskellige digitale universer. Fra sit guddommelige perspektiv kendte han hver galakses størrelse, sammensætning, masse og mere end et dusin andre egenskaber. Han søgte at relatere denne liste af tal til tætheden af stof i moderuniverset.
Det lykkedes. Da det blev testet på tusindvis af nye galakser fra snesevis af universer, det ikke tidligere havde udforsket, var det neurale netværk i stand til at forudsige den kosmiske stoftæthed med en nøjagtighed på 10 %. "Det er lige meget, hvilken galakse du kigger på, ingen troede, at det overhovedet ville være muligt," sagde Villaescuza-Navarro.
Også interessant:
- Space Entertainment Enterprise vil lancere et rumfilmstudie i 2024
- Amazon Alexa bliver NASAs digitale assistent på Artemis I-rummissionen
Algoritmens ydeevne overraskede forskerne, fordi galakser i sagens natur er kaotiske objekter. Nogle dannes på én gang, mens andre vokser ved at spise deres naboer. Kæmpegalakser har en tendens til at beholde deres stof, mens supernovaer og sorte huller i dværggalakser kan skubbe det meste af deres synlige stof ud.
En fortolkning er, at "Universet og/eller galakserne er på en eller anden måde meget enklere, end vi havde forestillet os." Holdet brugte seks måneder på at prøve at forstå, hvordan det neurale netværk blev så klogt. De tjekkede for at sikre, at algoritmen ikke bare havde fundet en måde at udlede tætheden fra simuleringskoden i stedet for fra galakserne selv. Gennem en række eksperimenter forstod forskerne, hvordan algoritmen bestemmer den kosmiske tæthed. Ved gentagne gange at genoptræne netværket, systematisk at skjule forskellige galaktiske egenskaber, fokuserede de på de vigtigste egenskaber.
Det neurale netværk afslørede et meget mere præcist og komplekst forhold mellem cirka 17 galaktiske egenskaber og stoffets tæthed. Denne forbindelse fortsætter på trods af galaktiske fusioner, stjerneeksplosioner og sorte hul-udbrud.
Undersøgelsen tyder i teorien på, at en omfattende undersøgelse af Mælkevejen og måske et par andre nærliggende galakser kunne tillade en ekstremt præcis måling af stoffet i vores univers. Et sådant eksperiment, sagde Villaescuz-Navarro, kunne give ledetråde til andre tal af kosmisk betydning, såsom summen af de ukendte masser af de tre typer neutrinoer i universet.
Forskere glæde sig over, at det neurale netværk var i stand til at finde mønstre i de rodede galakser i to uafhængige simuleringer. Den digitale opdagelse rejser muligheden for, at det virkelige kosmos kan rumme en lignende forbindelse mellem det store og det lille.
Det er en meget god ting. Det etablerer en forbindelse mellem hele universet og én galakse.
Læs også:
- Astronomer har opdaget en ny klasse af galaktiske tåger
- Forskere bekræfter for første gang den excentriske sammensmeltning af sorte huller