Een groep wetenschappers is mogelijk op een radicaal nieuwe manier gestuit om kosmologie te bestuderen.
Kosmologen bepalen meestal de samenstelling van het heelal door zoveel mogelijk delen ervan te observeren. Maar deze onderzoekers ontdekten dat een algoritme voor machinaal leren een enkel gemodelleerd sterrenstelsel kan onderzoeken en de algehele samenstelling van het digitale universum waarin het bestaat kan voorspellen - vergelijkbaar met het analyseren van een willekeurige zandkorrel onder een microscoop en het bepalen van de massa van Eurazië. Het lijkt erop dat de machines een patroon hebben ontdekt waardoor astronomen in de toekomst op grote schaal conclusies kunnen trekken over de werkelijke kosmos door simpelweg de elementaire bouwstenen te bestuderen.
"Dit is een heel ander idee. In plaats van die miljoenen sterrenstelsels te meten, kun je er gewoon één nemen. Het is verrassend dat het werkt", zegt Francisco Villaescuza-Navarro, een theoretisch astrofysicus aan het Flatiron Institute in New York en hoofdauteur van het artikel.
Dit had niet mogen gebeuren. De ongelooflijke ontdekking kwam voort uit een oefening die Vilaescuza-Navarro aan Jupiter Dean, een student aan Princeton University, gaf: om een neuraal netwerk te bouwen dat, gezien de eigenschappen van een melkwegstelsel, een aantal kosmologische attributen kon schatten. De uitdaging was simpelweg om Dean kennis te laten maken met machine learning. Toen merkten ze dat de computer de totale dichtheid van materie aan het berekenen was. "Ik dacht dat de student een fout had gemaakt", zei Villaescuza-Navarro. "Het was een beetje moeilijk voor mij om te geloven, om eerlijk te zijn."
De onderzoekers analyseerden 2000 digitale universums die zijn gemaakt als onderdeel van het project Cosmology and Astrophysics with Machine Learning Modeling (CAMELS). Deze universums varieerden in samenstelling van 10% tot 50% materie, terwijl de rest donkere energie is, waardoor het universum steeds sneller uitdijt (onze echte kosmos bestaat voor ongeveer een derde uit donkere en zichtbare materie en tweederde donkere energie) . Naarmate de simulatie vorderde, versmolten donkere materie en zichtbare materie tot sterrenstelsels. De simulaties omvatten ook een ruwe behandeling van complexe fenomenen zoals supernova's en ejecta van superzware zwarte gaten.
Dean's neurale netwerk bestudeerde bijna 1 miljoen gesimuleerde sterrenstelsels in deze verschillende digitale universums. Vanuit zijn goddelijke perspectief kende hij de grootte, samenstelling, massa en meer dan een dozijn andere kenmerken van elk sterrenstelsel. Hij probeerde deze lijst met getallen te relateren aan de dichtheid van materie in het ouderuniversum.
Het is gelukt. Toen het werd getest op duizenden nieuwe sterrenstelsels uit tientallen universa die het nog niet eerder had verkend, kon het neurale netwerk de dichtheid van de kosmische materie voorspellen met een nauwkeurigheid van 10%. "Het maakt niet uit naar welk sterrenstelsel je kijkt, niemand had gedacht dat dit zelfs maar mogelijk zou zijn", zei Villaescuza-Navarro.
Ook interessant:
- Space Entertainment Enterprise zal in 2024 een ruimtefilmstudio lanceren
- Amazon Alexa wordt de digitale assistent van NASA op de Artemis I-ruimtemissie
De prestaties van het algoritme verbaasden de onderzoekers omdat sterrenstelsels inherent chaotische objecten zijn. Sommige worden allemaal tegelijk gevormd, terwijl andere groeien door hun buren op te eten. Reuzenstelsels hebben de neiging om hun materie vast te houden, terwijl supernova's en zwarte gaten in dwergstelsels het grootste deel van hun zichtbare materie kunnen uitstoten.
Eén interpretatie is dat "het universum en/of sterrenstelsels op de een of andere manier veel eenvoudiger zijn dan we ons hadden voorgesteld." Het team deed zes maanden om te begrijpen hoe het neurale netwerk zo wijs werd. Ze controleerden of het algoritme niet alleen een manier had gevonden om de dichtheid af te leiden uit de simulatiecode in plaats van uit de sterrenstelsels zelf. Door een reeks experimenten begrepen de onderzoekers hoe het algoritme de kosmische dichtheid bepaalt. Door het netwerk herhaaldelijk te hertrainen en verschillende galactische eigenschappen systematisch te verbergen, concentreerden ze zich op de belangrijkste attributen.
Het neurale netwerk onthulde een veel preciezere en complexere relatie tussen ongeveer 17 galactische eigenschappen en de dichtheid van materie. Deze verbinding blijft bestaan ondanks galactische fusies, sterexplosies en uitbarstingen van zwarte gaten.
De studie suggereert dat, in theorie, een uitgebreide studie van de Melkweg en misschien een paar andere nabije sterrenstelsels een uiterst nauwkeurige meting van de materie in ons heelal mogelijk zou kunnen maken. Een dergelijk experiment, zei Villaescuz-Navarro, zou aanwijzingen kunnen geven voor andere aantallen van kosmische betekenis, zoals de som van de onbekende massa's van de drie soorten neutrino's in het universum.
Onderzoekers wees blij dat het neurale netwerk patronen kon vinden in de rommelige sterrenstelsels van twee onafhankelijke simulaties. De digitale ontdekking verhoogt de mogelijkheid dat de echte kosmos een vergelijkbare verbinding tussen het grote en het kleine kan herbergen.
Dit is een zeer goede zaak. Het brengt een verbinding tot stand tussen het hele universum en één melkwegstelsel.
Lees ook:
- Astronomen hebben een nieuwe klasse galactische nevels ontdekt
- Wetenschappers bevestigen voor het eerst de excentrieke samensmelting van zwarte gaten