Eine Gruppe von Wissenschaftlern ist möglicherweise auf einen radikal neuen Weg gestoßen, Kosmologie zu studieren.
Kosmologen bestimmen normalerweise die Zusammensetzung des Universums, indem sie möglichst viele Teile davon beobachten. Aber diese Forscher fanden heraus, dass ein maschineller Lernalgorithmus eine einzelne modellierte Galaxie untersuchen und die Gesamtzusammensetzung des digitalen Universums, in dem sie existiert, vorhersagen kann – ähnlich wie die Analyse eines zufälligen Sandkorns unter einem Mikroskop und die Bestimmung der Masse Eurasiens. Es scheint, dass die Maschinen ein Muster entdeckt haben, das es Astronomen in Zukunft ermöglichen könnte, weitreichende Rückschlüsse auf den wahren Kosmos zu ziehen, indem sie einfach die elementaren Bausteine untersuchen.
„Das ist eine ganz andere Idee. Anstatt diese Millionen von Galaxien zu messen, können Sie einfach eine nehmen. Es ist überraschend, dass es funktioniert“, sagte Francisco Villaescuza-Navarro, ein theoretischer Astrophysiker am Flatiron Institute in New York und Hauptautor der Abhandlung.
Das hätte nicht passieren dürfen. Die unglaubliche Entdeckung entstand aus einer Übung, die Vilaescuza-Navarro Jupiter Dean, einem Studenten der Princeton University, gab: ein neuronales Netzwerk zu bauen, das angesichts der Eigenschaften einer Galaxie einige kosmologische Attribute schätzen könnte. Die Herausforderung bestand einfach darin, Dean in das maschinelle Lernen einzuführen. Dann bemerkten sie, dass der Computer die Gesamtdichte der Materie berechnete. "Ich dachte, der Schüler hätte einen Fehler gemacht", sagte Villaescuza-Navarro. "Es war ein bisschen schwer für mich zu glauben, um ehrlich zu sein."
Die Forscher analysierten 2000 digitale Universen, die im Rahmen des Projekts Cosmology and Astrophysics with Machine Learning Modeling (CAMELS) erstellt wurden. Diese Universen variierten in ihrer Zusammensetzung von 10 % bis 50 % Materie, wobei der Rest dunkle Energie war, die dazu führte, dass sich das Universum immer schneller ausdehnte (unser wirklicher Kosmos besteht zu etwa einem Drittel aus dunkler und sichtbarer Materie und zu zwei Dritteln aus dunkler Energie). . Im Verlauf der Simulation verschmolzen dunkle Materie und sichtbare Materie zu Galaxien. Die Simulationen umfassten auch eine grobe Behandlung komplexer Phänomene wie Supernovae und Auswurf von supermassereichen Schwarzen Löchern.
Das neuronale Netzwerk von Dean untersuchte fast 1 Million simulierte Galaxien in diesen verschiedenen digitalen Universen. Aus seiner gottähnlichen Perspektive kannte er die Größe, Zusammensetzung, Masse und mehr als ein Dutzend anderer Eigenschaften jeder Galaxie. Er versuchte, diese Zahlenliste mit der Materiedichte im Mutteruniversum in Beziehung zu setzen.
Es gelang. Bei Tests an Tausenden neuer Galaxien aus Dutzenden von zuvor nicht erforschten Universen war das neuronale Netzwerk in der Lage, die kosmische Materiedichte mit einer Genauigkeit von 10 % vorherzusagen. "Es spielt keine Rolle, welche Galaxie Sie betrachten, niemand hätte gedacht, dass dies überhaupt möglich wäre", sagte Villaescuza-Navarro.
Auch interessant:
- Space Entertainment Enterprise wird 2024 ein Weltraumfilmstudio eröffnen
- Amazon Alexa wird der digitale Assistent der NASA auf der Weltraummission Artemis I sein
Die Leistung des Algorithmus erstaunte die Forscher, denn Galaxien sind von Natur aus chaotische Objekte. Einige werden auf einmal gebildet, während andere wachsen, indem sie ihre Nachbarn fressen. Riesengalaxien neigen dazu, ihre Materie zu behalten, während Supernovae und Schwarze Löcher in Zwerggalaxien den größten Teil ihrer sichtbaren Materie ausstoßen können.
Eine Interpretation ist, dass "das Universum und/oder die Galaxien irgendwie viel einfacher sind, als wir uns vorgestellt haben." Das Team verbrachte sechs Monate damit, zu verstehen, wie das neuronale Netzwerk so weise wurde. Sie überprüften, ob der Algorithmus nicht nur einen Weg gefunden hatte, die Dichte aus dem Simulationscode statt aus den Galaxien selbst abzuleiten. Durch eine Reihe von Experimenten verstanden die Forscher, wie der Algorithmus die kosmische Dichte bestimmt. Indem sie das Netzwerk wiederholt neu trainierten und verschiedene galaktische Eigenschaften systematisch versteckten, konzentrierten sie sich auf die wichtigsten Attribute.
Das neuronale Netzwerk enthüllte eine viel präzisere und komplexere Beziehung zwischen etwa 17 galaktischen Eigenschaften und der Materiedichte. Diese Verbindung besteht trotz galaktischer Verschmelzungen, Sternenexplosionen und Eruptionen von Schwarzen Löchern.
Die Studie legt nahe, dass theoretisch eine umfassende Untersuchung der Milchstraße und vielleicht einiger anderer naher Galaxien eine äußerst genaue Messung der Materie in unserem Universum ermöglichen könnte. Ein solches Experiment, sagte Villaescuz-Navarro, könnte Hinweise auf andere Zahlen von kosmischer Bedeutung liefern, wie etwa die Summe der unbekannten Massen der drei Arten von Neutrinos im Universum.
Forscher freuen uns, dass das neuronale Netzwerk Muster in den chaotischen Galaxien zweier unabhängiger Simulationen finden konnte. Die digitale Entdeckung wirft die Möglichkeit auf, dass der reale Kosmos eine ähnliche Verbindung zwischen dem Großen und dem Kleinen birgt.
Das ist eine sehr gute Sache. Es stellt eine Verbindung zwischen dem gesamten Universum und einer Galaxie her.
Lesen Sie auch:
- Astronomen haben eine neue Klasse galaktischer Nebel entdeckt
- Wissenschaftler bestätigen erstmals die exzentrische Verschmelzung von Schwarzen Löchern