一群科学家可能偶然发现了一种研究宇宙学的全新方法。
宇宙学家通常通过观察尽可能多的部分来确定宇宙的组成。 但是这些研究人员发现，机器学习算法可以仔细检查单个模型化的星系并预测它所在的数字宇宙的整体组成——类似于在显微镜下分析随机的一粒沙子并确定欧亚大陆的质量。 这些机器似乎已经发现了一种模式，未来天文学家可能仅通过研究基本构造块就可以对真实宇宙进行大规模推断。
“这是一个完全不同的想法。 不用测量那数百万个星系，你可以只测量一个。 令人惊讶的是，它起作用了，”纽约 Flatiron 研究所的理论天体物理学家、该论文的第一作者 Francisco Villaescuza-Navarro 说。
这不应该发生。 这一令人难以置信的发现源于 Vilaescuza-Navarro 给普林斯顿大学学生 Jupiter Dean 的一个练习：建立一个神经网络，在给定星系的属性的情况下，可以估计几个宇宙学属性。 挑战只是向 Dean 介绍机器学习。 然后他们注意到计算机正在计算物质的总密度。 “我认为学生犯了一个错误，”Villaescuza-Navarro 说。 “老实说，我有点难以置信。”
研究人员分析了作为宇宙学和天体物理学与机器学习建模 (CAMELS) 项目的一部分而创建的 2000 个数字宇宙。 这些宇宙的成分从 10% 到 50% 不等，其余为暗能量，这导致宇宙膨胀得越来越快（我们真实的宇宙大约有三分之一的暗物质和可见物质以及三分之二的暗能量） . 随着模拟的进行，暗物质和可见物质合并成星系。 模拟还包括对超新星和超大质量黑洞喷射物等复杂现象的粗略处理。
Dean 的神经网络研究了这些不同数字宇宙中的近 1 万个模拟星系。 从他神一般的视角，他知道每个星系的大小、组成、质量，以及其他十几个特征。 他试图将这个数字列表与母宇宙中的物质密度联系起来。
它成功了。 当对来自数十个以前未探索过的宇宙的数千个新星系进行测试时，神经网络能够以 10% 的准确度预测宇宙物质密度。 Villaescuza-Navarro 说：“无论你在看哪个星系，都没有人认为这是可能的。”
也很有趣：
该算法的性能令研究人员感到惊讶，因为星系本质上是混沌物体。 有些是一次性形成的，有些则是通过吃掉邻居来成长的。 巨大的星系倾向于保留它们的物质，而矮星系中的超新星和黑洞可以喷射出大部分可见物质。
一种解释是“宇宙和/或星系在某种程度上比我们想象的要简单得多。” 该团队花了六个月的时间试图了解神经网络是如何变得如此聪明的。 他们检查以确保算法没有找到某种方法来从模拟代码而不是从星系本身推导出密度。 通过一系列实验，研究人员了解了该算法如何确定宇宙密度。 通过反复重新训练网络，系统地隐藏各种星系属性，他们专注于最重要的属性。
神经网络揭示了大约 17 种星系特性与物质密度之间更为精确和复杂的关系。 尽管有星系合并、恒星爆炸和黑洞喷发，但这种联系仍然存在。
该研究确实表明，从理论上讲，对银河系和附近其他几个星系的全面研究可以对我们宇宙中的物质进行极其精确的测量。 Villaescuz-Navarro 说，这样的实验可以为其他具有宇宙意义的数字提供线索，例如宇宙中三种中微子的未知质量总和。
研究人员 很高兴神经网络能够在两个独立模拟的混乱星系中找到模式。 数字发现提出了真实宇宙可能在大小之间存在类似联系的可能性。
这是一件非常好的事情。 它在整个宇宙和一个星系之间建立了联系。
另请阅读：