Μια ομάδα επιστημόνων μπορεί να έχει βρει έναν ριζικά νέο τρόπο μελέτης της κοσμολογίας.
Οι κοσμολόγοι συνήθως καθορίζουν τη σύνθεση του σύμπαντος παρατηρώντας όσο το δυνατόν περισσότερα μέρη του. Αλλά αυτοί οι ερευνητές βρήκαν ότι ένας αλγόριθμος μηχανικής μάθησης μπορεί να εξετάσει εξονυχιστικά έναν μοντελοποιημένο γαλαξία και να προβλέψει τη συνολική σύνθεση του ψηφιακού σύμπαντος στο οποίο υπάρχει - παρόμοιο με την ανάλυση ενός τυχαίου κόκκου άμμου κάτω από ένα μικροσκόπιο και τον προσδιορισμό της μάζας της Ευρασίας. Φαίνεται ότι οι μηχανές ανακάλυψαν ένα μοτίβο που στο μέλλον μπορεί να επιτρέψει στους αστρονόμους να βγάλουν συμπεράσματα μεγάλης κλίμακας για τον πραγματικό κόσμο απλά μελετώντας τα στοιχειώδη δομικά στοιχεία.
«Αυτή είναι μια εντελώς διαφορετική ιδέα. Αντί να μετράτε αυτά τα εκατομμύρια γαλαξίες, μπορείτε απλώς να πάρετε έναν. Είναι εκπληκτικό που λειτουργεί», δήλωσε ο Francisco Villaescuza-Navarro, θεωρητικός αστροφυσικός στο Ινστιτούτο Flatiron στη Νέα Υόρκη και κύριος συγγραφέας της εργασίας.
Αυτό δεν έπρεπε να συμβεί. Η απίστευτη ανακάλυψη προέκυψε από μια άσκηση που έδωσε ο Vilaescuza-Navarro στον Jupiter Dean, φοιτητή στο Πανεπιστήμιο του Πρίνστον: να δημιουργήσει ένα νευρωνικό δίκτυο που, δεδομένων των ιδιοτήτων ενός γαλαξία, θα μπορούσε να εκτιμήσει μερικά κοσμολογικά χαρακτηριστικά. Η πρόκληση ήταν απλώς να εισαγάγει τον Dean στη μηχανική μάθηση. Στη συνέχεια παρατήρησαν ότι ο υπολογιστής υπολόγιζε τη συνολική πυκνότητα της ύλης. «Νόμιζα ότι ο μαθητής έκανε λάθος», είπε ο Villaescuza-Navarro. «Μου ήταν λίγο δύσκολο να το πιστέψω, για να είμαι ειλικρινής».
Οι ερευνητές ανέλυσαν 2000 ψηφιακά σύμπαντα που δημιουργήθηκαν ως μέρος του έργου Cosmology and Astrophysics with Machine Learning Modeling (CAMELS). Αυτά τα σύμπαντα διέφεραν σε σύνθεση από 10% έως 50% ύλη, με το υπόλοιπο να είναι σκοτεινή ενέργεια, η οποία προκαλεί το σύμπαν να διαστέλλεται ολοένα και πιο γρήγορα (ο πραγματικός μας σύμπαν είναι περίπου το ένα τρίτο σκοτεινή και ορατή ύλη και τα δύο τρίτα σκοτεινή ενέργεια ) . Καθώς η προσομοίωση προχωρούσε, η σκοτεινή ύλη και η ορατή ύλη συγχωνεύτηκαν σε γαλαξίες. Οι προσομοιώσεις περιελάμβαναν επίσης μια πρόχειρη αντιμετώπιση πολύπλοκων φαινομένων όπως οι σουπερνόβα και οι εκτοξευτές από υπερμεγέθεις μαύρες τρύπες.
Το νευρωνικό δίκτυο του Dean μελέτησε σχεδόν 1 εκατομμύριο προσομοιωμένους γαλαξίες σε αυτά τα διάφορα ψηφιακά σύμπαντα. Από την θεϊκή του σκοπιά, γνώριζε το μέγεθος, τη σύνθεση, τη μάζα κάθε γαλαξία και περισσότερα από δώδεκα άλλα χαρακτηριστικά. Προσπάθησε να συσχετίσει αυτόν τον κατάλογο αριθμών με την πυκνότητα της ύλης στο μητρικό σύμπαν.
Πέτυχε. Όταν δοκιμάστηκε σε χιλιάδες νέους γαλαξίες από δεκάδες σύμπαντα που δεν είχε προηγουμένως εξερευνήσει, το νευρωνικό δίκτυο ήταν σε θέση να προβλέψει την πυκνότητα της κοσμικής ύλης με ακρίβεια 10%. "Δεν έχει σημασία ποιον γαλαξία κοιτάτε, κανείς δεν πίστευε ότι αυτό θα ήταν καν δυνατό", είπε ο Villaescuza-Navarro.
Επίσης ενδιαφέρον:
- Η Space Entertainment Enterprise θα ξεκινήσει ένα στούντιο διαστημικών ταινιών το 2024
- Η Amazon Alexa θα είναι ο ψηφιακός βοηθός της NASA στη διαστημική αποστολή Artemis I
Η απόδοση του αλγορίθμου εξέπληξε τους ερευνητές επειδή οι γαλαξίες είναι εγγενώς χαοτικά αντικείμενα. Μερικά σχηματίζονται μονομιάς, ενώ άλλα μεγαλώνουν τρώγοντας τους γείτονές τους. Οι γιγάντιοι γαλαξίες τείνουν να διατηρούν την ύλη τους, ενώ οι σουπερνόβα και οι μαύρες τρύπες σε νάνους γαλαξίες μπορούν να εκτινάξουν το μεγαλύτερο μέρος της ορατής ύλης τους.
Μια ερμηνεία είναι ότι «Το σύμπαν και/ή οι γαλαξίες είναι κατά κάποιο τρόπο πολύ πιο απλοί από ό,τι φανταζόμασταν». Η ομάδα πέρασε έξι μήνες προσπαθώντας να καταλάβει πώς το νευρωνικό δίκτυο έγινε τόσο σοφό. Έλεγξαν για να βεβαιωθούν ότι ο αλγόριθμος δεν είχε βρει απλώς κάποιον τρόπο να αντλήσει την πυκνότητα από τον κώδικα της προσομοίωσης και όχι από τους ίδιους τους γαλαξίες. Μέσα από μια σειρά πειραμάτων, οι ερευνητές κατάλαβαν πώς ο αλγόριθμος καθορίζει την κοσμική πυκνότητα. Με την επανειλημμένη επανεκπαίδευση του δικτύου, κρύβοντας συστηματικά διάφορες γαλαξιακές ιδιότητες, εστίασαν στα πιο σημαντικά χαρακτηριστικά.
Το νευρωνικό δίκτυο αποκάλυψε μια πολύ πιο ακριβή και πολύπλοκη σχέση μεταξύ περίπου 17 γαλαξιακών ιδιοτήτων και της πυκνότητας της ύλης. Αυτή η σύνδεση παραμένει παρά τις γαλαξιακές συγχωνεύσεις, τις εκρήξεις αστέρων και τις εκρήξεις μαύρης τρύπας.
Η μελέτη υποδηλώνει ότι, θεωρητικά, μια ολοκληρωμένη μελέτη του Γαλαξία και ίσως μερικών άλλων κοντινών γαλαξιών θα μπορούσε να επιτρέψει μια εξαιρετικά ακριβή μέτρηση της ύλης στο σύμπαν μας. Ένα τέτοιο πείραμα, είπε ο Villaescuz-Navarro, θα μπορούσε να δώσει ενδείξεις για άλλους αριθμούς κοσμικής σημασίας, όπως το άθροισμα των άγνωστων μαζών των τριών τύπων νετρίνων στο σύμπαν.
Ερευνητές χαιρόμαστε που το νευρωνικό δίκτυο μπόρεσε να βρει μοτίβα στους ακατάστατους γαλαξίες δύο ανεξάρτητων προσομοιώσεων. Η ψηφιακή ανακάλυψη αυξάνει την πιθανότητα ότι ο πραγματικός κόσμος μπορεί να φιλοξενεί παρόμοια σύνδεση μεταξύ του μεγάλου και του μικρού.
Αυτό είναι πολύ καλό. Δημιουργεί μια σύνδεση μεταξύ ολόκληρου του σύμπαντος και ενός γαλαξία.
Διαβάστε επίσης:
- Οι αστρονόμοι ανακάλυψαν μια νέα κατηγορία γαλαξιακών νεφελωμάτων
- Οι επιστήμονες επιβεβαιώνουν για πρώτη φορά την εκκεντρική συγχώνευση μαύρων τρυπών