一群科學家可能偶然發現了一種全新的宇宙學研究方法。
宇宙學家通常通過觀察盡可能多的部分來確定宇宙的組成。 但這些研究人員發現，機器學習算法可以檢查單個建模星係並預測其存在的數字宇宙的整體組成——類似於在顯微鏡下分析隨機沙粒並確定歐亞大陸的質量。 這些機器似乎發現了一種模式，未來可能讓天文學家通過研究基本組成部分就可以對真實宇宙進行大規模推斷。
“這是一個完全不同的想法。 不用測量那數百萬個星系，你可以只取一個。 它的工作原理令人驚訝，”紐約熨斗研究所的理論天體物理學家、該論文的主要作者弗朗西斯科·維拉埃斯庫扎-納瓦羅說。
這不應該發生。 這個令人難以置信的發現源於 Vilaescuza-Navarro 給普林斯頓大學的學生 Jupiter Dean 做的一個練習：建立一個神經網絡，考慮到星系的特性，它可以估計幾個宇宙學屬性。 挑戰只是將 Dean 介紹給機器學習。 然後他們注意到計算機正在計算物質的總密度。 “我認為學生犯了一個錯誤，”維拉埃斯庫扎-納瓦羅說。 “說實話，我有點難以置信。”
研究人員分析了 2000 個數字宇宙，這些宇宙是宇宙學和天體物理學與機器學習建模 (CAMELS) 項目的一部分。 這些宇宙的成分從 10% 到 50% 不等，其餘的是暗能量，這導致宇宙膨脹得越來越快（我們真正的宇宙大約有三分之一的暗可見物質和三分之二的暗能量） . 隨著模擬的進行，暗物質和可見物質合併成星系。 模擬還包括對超新星和超大質量黑洞噴射物等複雜現象的粗略處理。
Dean 的神經網絡研究了這些不同數字宇宙中近 1 萬個模擬星系。 從他神一般的角度來看，他知道每個星系的大小、組成、質量，以及其他十幾個特徵。 他試圖將這個數字列表與母宇宙中的物質密度聯繫起來。
它成功了。 在對來自數十個之前從未探索過的宇宙的數千個新星系進行測試時，神經網絡能夠以 10% 的準確度預測宇宙物質密度。 “無論你在看什麼星系，沒有人認為這是可能的，”維拉埃斯庫扎-納瓦羅說。
也很有趣：
該算法的性能讓研究人員感到驚訝，因為星系本質上是混沌物體。 有些是一下子形成的，而另一些則是通過吃掉他們的鄰居來成長的。 巨型星系傾向於保留它們的物質，而矮星系中的超新星和黑洞可以噴射出大部分可見物質。
一種解釋是“宇宙和/或星係比我們想像的要簡單得多”。 該團隊花了六個月的時間試圖了解神經網絡是如何變得如此聰明的。 他們檢查以確保該算法不僅找到了某種方法來從模擬代碼而不是從星系本身中推導出密度。 通過一系列實驗，研究人員了解了算法如何確定宇宙密度。 通過反復重新訓練網絡，系統地隱藏各種星係屬性，他們專注於最重要的屬性。
神經網絡揭示了大約 17 個星係屬性與物質密度之間的更為精確和復雜的關係。 儘管星系合併、恆星爆炸和黑洞爆發，這種聯繫仍然存在。
這項研究確實表明，理論上，對銀河系和其他一些附近星系的全面研究可以對我們宇宙中的物質進行極其精確的測量。 Villaescuz-Navarro 說，這樣的實驗可以提供其他數量的宇宙意義的線索，例如宇宙中三種中微子未知質量的總和。
研究人員 很高興神經網絡能夠在兩個獨立模擬的混亂星系中找到模式。 數字發現提出了一種可能性，即真實的宇宙可能在大小之間存在類似的聯繫。
這是一件非常好的事情。 它在整個宇宙和一個星系之間建立了聯繫。
另請閱讀：