Astrofysiker använder AI för att exakt beräkna universums förhållanden i ny studie
StockholmAstrofysiker har utvecklat ett nytt sätt att använda artificiell intelligens för att exakt mäta de viktigaste faktorerna som definierar universum. Arbetet, utfört av Flatiron Institute och deras samarbetspartners, använder AI för att hitta dold information i galaxernas fördelning. Denna nya metod ger mycket mer exakta mätningar av dessa faktorer än äldre metoder.
De sex huvudsakliga kosmologiska parametrarna beskriver viktiga egenskaper hos universum, inklusive:
- Mängden vanlig materia
- Mängden mörk materia
- Mängden mörk energi
- Förhållanden efter Big Bang, inklusive opaciteten hos det nyfödda universum
- Om massan i kosmos är utspridd eller samlad i stora kluster
Kosmologer studerar vanligtvis galaxers storskaliga fördelning för att uppskatta viktiga kosmiska parametrar. Ny forskning visar dock att detaljer på små skalan också kan ge värdefull information om dessa parametrar. För att utforska denna data har forskare vid Flatiron Institute och Princeton University utvecklat en metod kallad Simulation-Based Inference of Galaxies (SimBIG). De använde en AI-modell tränad på simulerade universum för att förstå kopplingarna mellan galaxers småskaliga klustring och kosmologiska parametrar.
SimBIG har en stor fördel eftersom det kräver betydligt färre simulerade universum än äldre metoder. Med endast 2 000 simuleringar från Quijote-sviten uppnådde AI-modellen hög precision. Detta sparar mycket tid och datorkraft. Modellen förbättrades genom att få de simulerade data att likna verkliga galaxundersökningsdata, inklusive atmosfäriska och teleskopiska brister.
AI-modellen testades med verkliga galaxdata från Baryon Oscillation Spectroscopic Survey, där man analyserade 109 636 galaxer. Resultaten visade en hög noggrannhet, jämförbar med traditionella metoder som kräver fyra gånger fler galaxer. Detta är viktigt eftersom det bara finns ett begränsat antal galaxer i universum, så det är avgörande att få ut så mycket information som möjligt från den tillgängliga datan.
Denna förbättrade noggrannhet förväntas hjälpa oss att bättre förstå kosmiska händelser som mörk materia och mörk energi. Det kan också hjälpa till att lösa problemet med Hubble-konstanten, där olika mätmetoder ger olika resultat. Med kommande astronomiska undersökningar kan kombinationen av deras data med den SimBIG-metoden kanske lösa detta problem och avslöja nya detaljer om universums expansion.
Experter från Flatiron Institutes Center för Beräkningsastrofysik och Center för Beräkningsmatematik, Princeton University, University of Florida, University of Waterloo och Geneves universitet samarbetar i denna forskning. Detta belyser en gemensam ansträngning från flera institutioner för att driva framåt studiet av kosmologi.
Studien publiceras här:
http://dx.doi.org/10.1038/s41550-024-02344-2och dess officiella citering - inklusive författare och tidskrift - är
ChangHoon Hahn, Pablo Lemos, Liam Parker, Bruno Régaldo-Saint Blancard, Michael Eickenberg, Shirley Ho, Jiamin Hou, Elena Massara, Chirag Modi, Azadeh Moradinezhad Dizgah, David Spergel. Cosmological constraints from non-Gaussian and nonlinear galaxy clustering using the SimBIG inference framework. Nature Astronomy, 2024; DOI: 10.1038/s41550-024-02344-220 november 2024 · 17:56
AI lär sig att känna av ytor med hjälp av banbrytande kvantteknik och laserprecision
20 november 2024 · 01:02
Kraftfull AI för mobilen: Kompakta språkmodeller som sparar energi och främjar integritet
18 november 2024 · 14:36
Mindre djur, större precision: ny AI-teknik för avancerade beteendestudier av möss
Dela den här artikeln