Al aplicar una técnica de aprendizaje automático, un método de red neuronal, a cantidades gigantescas de datos de simulación sobre la formación de estructuras cósmicas en el universo, un equipo de investigadores ha desarrollado un programa de software muy rápido y altamente eficiente que puede hacer predicciones teóricas sobre la estructura. formación. Al comparar las predicciones del modelo con los conjuntos de datos de observación reales, el equipo logró medir con precisión los parámetros cosmológicos, informa un estudio en Physical Review D .

Cuando el estudio de galaxias más grande del mundo hasta la fecha, el Sloan Digital Sky Survey (SDSS), creó un mapa tridimensional del universo a través de la distribución observada de las galaxias, quedó claro que las galaxias tenían ciertas características. Algunas se agrupaban o se extendían en filamentos, y en algunos lugares había vacíos donde no existía ninguna galaxia. Todas estas galaxias muestran que no evolucionaron de manera uniforme, sino que se formaron como resultado de su entorno local. En general, los investigadores están de acuerdo en que esta distribución no uniforme de las galaxias se debe a los efectos de la gravedad causados ​​por la distribución de la materia oscura "invisible", la materia misteriosa que nadie ha observado directamente todavía.

Al estudiar los datos en el mapa tridimensional de las galaxias en detalle, los investigadores podrían descubrir las cantidades fundamentales, como la cantidad de materia oscura en el universo. En los años más recientes, las simulaciones de N-cuerpos se han utilizado ampliamente en estudios que recrean la formación de estructuras cósmicas en el universo. Estas simulaciones imitan las faltas de homogeneidad iniciales en altos desplazamientos al rojo por una gran cantidad de partículas de N-cuerpo que representan efectivamente partículas de materia oscura, y luego simulan cómo evoluciona la distribución de materia oscura con el tiempo, calculando las fuerzas de atracción gravitatoria entre partículas en un universo en expansión. Sin embargo, las simulaciones suelen ser costosas y tardan decenas de horas en completarse en una supercomputadora, incluso para un modelo cosmológico.

Un equipo de investigadores, dirigido por el ex investigador del proyecto del Instituto Kavli para la Física y las Matemáticas del Universo (Kavli IPMU), Yosuke Kobayashi (actualmente asociado de investigación posdoctoral en la Universidad de Arizona), e incluye al profesor de Kavli IPMU, Masahiro Takada, y a los científicos visitantes de Kavli IPMU. Takahiro Nishimichi e Hironao Miyatake, combinaron el aprendizaje automático con datos de simulación numérica de la supercomputadora "ATERUI II" en el Observatorio Astronómico Nacional de Japón (NAOJ) para generar cálculos teóricos del espectro de potencia, la cantidad más fundamental medida a partir de estudios de galaxias que les dice a los investigadores estadísticamente cómo se distribuyen las galaxias en el universo.

Por lo general, sería necesario ejecutar varios millones de simulaciones de N-cuerpos, pero el equipo de Kobayashi pudo usar el aprendizaje automático para enseñar a su programa a calcular el espectro de potencia con el mismo nivel de precisión que una simulación, incluso para un modelo cosmológico para el cual la simulación aún no se había ejecutado. Esta tecnología se llama emulador y ya se está utilizando en campos de la informática fuera de la astronomía.

"Al combinar el aprendizaje automático con simulaciones numéricas, que cuestan mucho, hemos podido analizar datos de observaciones astronómicas con alta precisión. Estos emuladores se han utilizado antes en estudios de cosmología, pero casi nadie ha podido tener en cuenta los numerosos "Otros efectos, lo que comprometería los resultados de los parámetros cosmológicos utilizando datos reales de encuestas de galaxias. Nuestro emulador analiza y ha podido analizar datos de observación reales. Este estudio ha abierto una nueva frontera para el análisis de datos estructurales a gran escala", dijo el autor principal, Kobayashi. .

Sin embargo, para aplicar el emulador a los datos reales del estudio de galaxias, el equipo tuvo que tener en cuenta la incertidumbre del "sesgo de galaxias", una incertidumbre que tiene en cuenta que los investigadores no pueden predecir con precisión dónde se forman las galaxias en el universo debido a su complicada física inherente a la formación de galaxias. .

Para superar esta dificultad, el equipo se centró en simular la distribución de "halos" de materia oscura, donde hay una alta densidad de materia oscura y una alta probabilidad de formación de galaxias. El equipo logró hacer una predicción de modelo flexible para un modelo cosmológico dado, introduciendo una cantidad suficiente de parámetros "molestos" para tener en cuenta la incertidumbre del sesgo de la galaxia.

Luego, el equipo comparó la predicción del modelo con un conjunto de datos SDSS real y midió con éxito los parámetros cosmológicos con alta precisión. Confirma como análisis independiente que solo alrededor del 30 por ciento de toda la energía proviene de la materia (principalmente materia oscura), y que el 70 por ciento restante es el resultado de la energía oscura que causa la expansión acelerada del universo. También lograron medir la aglomeración de la materia en nuestro universo, mientras que el método convencional utilizado para analizar los mapas 3D de galaxias no pudo determinar estos dos parámetros simultáneamente.

La precisión de la medición de sus parámetros supera la obtenida por los análisis previos de estudios de galaxias. Estos resultados demuestran la efectividad del emulador desarrollado en este estudio. El siguiente paso para el equipo de investigación será continuar estudiando la masa de materia oscura y la naturaleza de la energía oscura mediante la aplicación de su emulador a mapas de galaxias que serán capturados por el espectrógrafo Prime Focus, en desarrollo, dirigido por Kavli IPMU, para ser montado en el telescopio Subaru de NAOJ. + Explora más

Herramienta de inteligencia artificial desarrollada para predecir la estructura del universo