اخترفیزیکدانان از هوش مصنوعی برای محاسبه دقیق تنظیمات جهان استفاده می کنند

مدل استاندارد جهان فقط بر شش عدد متکی است. محققان مؤسسه Flatiron و همکارانشان با استفاده از یک رویکرد جدید با استفاده از هوش مصنوعی، اطلاعات پنهان در توزیع کهکشان‌ها را استخراج کردند تا مقادیر پنج مورد از این پارامترهای به اصطلاح کیهانی را با دقت باورنکردنی تخمین بزنند.

نتایج بهبود قابل توجهی نسبت به مقادیر تولید شده توسط روش های قبلی بود. در مقایسه با تکنیک‌های مرسوم با استفاده از همان داده‌های کهکشانی، این رویکرد کمتر از نیمی از عدم قطعیت را برای پارامتری که توده‌ای ماده جهان را توصیف می‌کند، به همراه داشت. روش مبتنی بر هوش مصنوعی همچنین با تخمین‌های پارامترهای کیهانی بر اساس مشاهدات سایر پدیده‌ها، مانند قدیمی‌ترین نور جهان، موافق بود.

محققان روش خود، استنتاج مبتنی بر شبیه‌سازی کهکشان‌ها (یا SimBIG)، را در مجموعه‌ای از مقالات اخیر، از جمله مطالعه جدیدی که در 21 اوت در Nature Astronomy منتشر شد، ارائه می‌کنند.

شرلی هو، یکی از نویسندگان این مطالعه، یکی از رهبران گروه در موسسه Flatiron می گوید: ایجاد محدودیت های شدیدتر روی پارامترها در حالی که از همان داده ها استفاده می شود برای مطالعه همه چیز از ترکیب ماده تاریک گرفته تا ماهیت انرژی تاریک که جهان را از هم جدا می کند، بسیار مهم است. مرکز اخترفیزیک محاسباتی (CCA) در شهر نیویورک. او می‌گوید که این به‌ویژه زمانی که بررسی‌های جدید کیهان در چند سال آینده آنلاین می‌شوند، صادق است.

هو می گوید: «هر یک از این بررسی ها صدها میلیون تا میلیاردها دلار هزینه دارد. “دلیل اصلی وجود این بررسی‌ها این است که ما می‌خواهیم این پارامترهای کیهان‌شناختی را بهتر درک کنیم. بنابراین اگر به معنای بسیار عملی در مورد آن فکر کنید، ارزش هر کدام ده‌ها میلیون دلار است. شما بهترین تحلیل را می‌خواهید که می‌توانید استخراج کنید. تا آنجا که ممکن است دانش از این بررسی‌ها خارج می‌شود و مرزهای درک ما از جهان هستی را فرا می‌گیرد.”

شش پارامتر کیهان‌شناختی مقدار ماده معمولی، ماده تاریک و انرژی تاریک در جهان و شرایط پس از انفجار بزرگ را توصیف می‌کنند، مانند کدورت جهان تازه متولد شده در هنگام سرد شدن و اینکه آیا جرم در کیهان پراکنده است یا در بزرگ است. توده ها لیام پارکر، یکی از نویسندگان مطالعه نجوم طبیعت و یک تحلیلگر تحقیقاتی در CCA می گوید: این پارامترها اساساً «تنظیمات» جهان هستند که نحوه عملکرد آن در بزرگترین مقیاس ها را تعیین می کنند.

یکی از مهم‌ترین روش‌هایی که کیهان‌شناسان پارامترها را محاسبه می‌کنند، مطالعه خوشه‌بندی کهکشان‌های کیهان است. پیش از این، این تجزیه و تحلیل ها فقط به توزیع در مقیاس بزرگ کهکشان ها نگاه می کردند.

چانگ هون هان، محقق پژوهشی در دانشگاه پرینستون و نویسنده اصلی مطالعه نجوم طبیعت، می‌گوید: «ما نتوانسته‌ایم به مقیاس‌های کوچک برویم. چند سالی است که می‌دانیم اطلاعات بیشتری در آنجا وجود دارد؛ ما فقط راه خوبی برای استخراج آن نداشتیم.»

هان راهی برای استفاده از هوش مصنوعی برای استخراج این اطلاعات در مقیاس کوچک پیشنهاد کرد. طرح او دو مرحله داشت. ابتدا او و همکارانش یک مدل هوش مصنوعی برای تعیین مقادیر پارامترهای کیهانی بر اساس ظاهر جهان های شبیه سازی شده آموزش می دهند. سپس آنها مدل خود را رصدهای توزیع واقعی کهکشان نشان می دهند.

هان، هو، پارکر و همکارانشان مدل خود را با نشان دادن 2000 جهان جعبه‌شکل از مجموعه شبیه‌سازی Quijote که توسط CCA توسعه داده شده بود، آموزش دادند که هر جهان با استفاده از مقادیر متفاوتی برای پارامترهای کیهانی ایجاد شد. محققان حتی 2000 جهان را مانند داده‌های تولید شده توسط بررسی‌های کهکشانی – از جمله نقص‌های جو و خود تلسکوپ‌ها – نشان دادند تا به مدل عملی واقعی بدهند. هان می گوید: «این تعداد زیادی شبیه سازی است، اما مقدار قابل کنترلی است. “اگر شما یادگیری ماشین را نداشتید، به صدها هزار مورد نیاز داشتید.”

با استفاده از شبیه‌سازی‌ها، مدل در طول زمان یاد گرفت که چگونه مقادیر پارامترهای کیهانی با تفاوت‌های مقیاس کوچک در خوشه‌بندی کهکشان‌ها، مانند فاصله بین جفت کهکشان‌ها، ارتباط دارند. SimBIG همچنین یاد گرفت که چگونه با نگاه کردن به سه یا چند کهکشان در یک زمان و تجزیه و تحلیل اشکال ایجاد شده بین آنها، مانند مثلث های بلند و کشیده یا مثلث های متساوی الاضلاع، اطلاعات را از آرایش تصویر بزرگتر کهکشان های جهان استخراج کند.

با آموزش این مدل، محققان 109636 کهکشان واقعی را که توسط بررسی طیف‌سنجی نوسانی باریون اندازه‌گیری شده بود، به آن ارائه کردند. همانطور که آنها امیدوار بودند، این مدل از جزئیات مقیاس کوچک و مقیاس بزرگ در داده ها استفاده کرد تا دقت تخمین پارامترهای کیهانی خود را افزایش دهد. این تخمین ها آنقدر دقیق بودند که معادل یک تحلیل سنتی با استفاده از حدود چهار برابر کهکشان ها بود. هو می گوید که این مهم است، زیرا جهان فقط کهکشان های زیادی دارد. با به دست آوردن دقت بالاتر با داده های کمتر، SimBIG می تواند محدودیت های ممکن را افزایش دهد.

هان می‌گوید یکی از کاربردهای هیجان‌انگیز این دقت، بحران کیهانی است که به نام تنش هابل شناخته می‌شود. تنش از تخمین‌های ناهماهنگ ثابت هابل ناشی می‌شود، که توصیف می‌کند با چه سرعتی همه چیز در جهان در حال گسترش است.