(Noticias de Nanowerk) 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 pudo medir con precisión los parámetros cosmológicos, informa un estudio en Verificación física D («Análisis cosmológico completo del espectro de potencia de la galaxia SDSS-III BOSS usando un modelo de halo basado en un emulador: una determinación del 5% de σ8«).
Cuando el estudio de galaxias más grande del mundo hasta la fecha, el Sloan Digital Sky Survey (SDSS), creó un mapa tridimensional del Universo basado en la distribución observada de las galaxias, quedó claro que las galaxias exhiben ciertas propiedades. Algunas se agruparon o se esparcieron en filamentos, y en lugares había vacíos donde no existía ninguna galaxia. Todas estas galaxias espectáculo no se desarrollaron uniformemente, fueron creadas por su entorno local.
En general, los investigadores coinciden en que esta distribución desigual de las galaxias se debe a los efectos de la gravedad provocados por la distribución de la materia oscura «invisible», la materia misteriosa que nadie ha observado todavía directamente. Al examinar los datos en el mapa tridimensional de las galaxias en detalle, los investigadores pudieron descubrir cantidades fundamentales como la cantidad de materia oscura en el universo.
En los últimos años, las simulaciones de N-cuerpos han sido ampliamente utilizadas en estudios que simulan la formación de estructuras cósmicas en el Universo. Estas simulaciones imitan las faltas de homogeneidad iniciales en altos desplazamientos al rojo a través de una gran cantidad de partículas de N-cuerpo, representando efectivamente partículas de materia oscura, y luego simulan cómo la distribución de materia oscura evoluciona con el tiempo utilizando las fuerzas de atracción gravitatoria entre partículas en un universo en expansión. Sin embargo, las simulaciones suelen ser costosas y requieren decenas de horas en una supercomputadora, incluso para un modelo cosmológico.
Un equipo de investigación dirigido por el ex investigador del proyecto del Instituto Kavli para la Física y las Matemáticas del Universo (Kavli IPMU) Yosuke Kobayashi (actualmente investigador asociado posdoctoral en la Universidad de Arizona), el profesor de Kavli IPMU Masahiro Takada y los científicos visitantes de Kavli IPMU Takahiro Nishimichi y Hironao Miyatake combinó el aprendizaje automático con datos de simulación numérica de la supercomputadora «ATERUI II» en el Observatorio Astronómico Nacional de Japón (NAOJ) para producir cálculos teóricos del espectro de potencia, la cantidad más fundamental medida en los estudios de galaxias, que les dice a los investigadores estadísticamente cómo son las galaxias. distribuidos en el universo.
Normalmente, se necesitarían ejecutar varios millones de simulaciones de N-cuerpos, pero el equipo de Kobayashi usó el aprendizaje automático para enseñar a su programa a calcular el espectro de potencia con la misma precisión que una simulación, incluso para un modelo cosmológico para el cual la simulación aún no se ha realizado. ha sido ejecutado Esta tecnología se llama emulador y ya se usa en informática fuera de la astronomía.
“Al combinar el aprendizaje automático con simulaciones numéricas, que cuestan mucho, pudimos analizar datos de observaciones astronómicas con alta precisión. Estos emuladores se han utilizado previamente en estudios cosmológicos, pero pocos han podido dar cuenta de los numerosos otros efectos que afectarían los resultados de los parámetros cosmológicos utilizando datos reales de estudios de galaxias. Nuestro emulador puede y ha podido analizar datos de observación reales. Este estudio ha abierto una nueva frontera para el análisis a gran escala de datos estructurales», dijo el autor principal, Kobayashi.
Sin embargo, para aplicar el emulador a los datos reales del sondeo de galaxias, el equipo tuvo que tener en cuenta la incertidumbre de la ‘distorsión de galaxias’, una incertidumbre que tiene en cuenta que los investigadores no pueden predecir con precisión dónde se formarán las galaxias en el Universo debido a su intrincada física inherente. en 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 crear un modelo de predicción flexible para un modelo cosmológico determinado mediante la introducción de un número suficiente de parámetros «perturbativos» para dar cuenta de la incertidumbre de la anomalía 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 un 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 acumulación de materia en nuestro universo, mientras que el método tradicional utilizado para analizar los mapas 3D de la galaxia no pudo determinar estos dos parámetros simultáneamente. La precisión de la medición de sus parámetros supera los análisis anteriores de estudios de galaxias. Estos resultados demuestran la efectividad del emulador desarrollado en este estudio.
El siguiente paso para el equipo de investigación será estudiar más a fondo la masa de materia oscura y la naturaleza de la energía oscura mediante la aplicación de su emulador a los mapas de galaxias capturados por el Prime Focus Spectrograph, que está en desarrollo y por el Kavli IPMU está montado en el telescopio Subaru de NAOJ.
