Ang isang pangkat ng mga siyentipiko ay maaaring natisod sa isang radikal na bagong paraan upang pag-aralan ang kosmolohiya.
Karaniwang tinutukoy ng mga cosmologist ang komposisyon ng uniberso sa pamamagitan ng pagmamasid sa maraming bahagi nito hangga't maaari. Ngunit natuklasan ng mga mananaliksik na ito na ang isang machine learning algorithm ay maaaring suriin ang isang solong modelong kalawakan at mahulaan ang kabuuang komposisyon ng digital na uniberso kung saan ito umiiral-katulad ng pagsusuri ng isang random na butil ng buhangin sa ilalim ng mikroskopyo at pagtukoy sa masa ng Eurasia. Tila ang mga makina ay nakatuklas ng isang pattern na sa hinaharap ay maaaring magpapahintulot sa mga astronomo na gumawa ng malakihang mga hinuha tungkol sa tunay na kosmos sa pamamagitan lamang ng pag-aaral sa elementarya na mga bloke ng gusali.
"Ito ay isang ganap na naiibang ideya. Sa halip na sukatin ang milyun-milyong galaxy na iyon, maaari kang kumuha ng isa. Nakakagulat na ito ay gumagana," sabi ni Francisco Villaescuza-Navarro, isang teoretikal na astrophysicist sa Flatiron Institute sa New York at nangungunang may-akda ng papel.
Hindi dapat ito nangyari. Ang hindi kapani-paniwalang pagtuklas ay lumago mula sa isang ehersisyo na ibinigay ni Vilaescuza-Navarro kay Jupiter Dean, isang mag-aaral sa Princeton University: upang bumuo ng isang neural network na, dahil sa mga katangian ng isang kalawakan, ay maaaring matantya ang isang pares ng mga kosmological na katangian. Ang hamon ay simpleng ipakilala si Dean sa machine learning. Pagkatapos ay napansin nila na ang computer ay kinakalkula ang kabuuang density ng bagay. "Akala ko nagkamali ang estudyante," sabi ni Villaescuza-Navarro. "Medyo mahirap para sa akin na maniwala, sa totoo lang."
Sinuri ng mga mananaliksik ang 2000 digital universe na nilikha bilang bahagi ng Cosmology at Astrophysics na may Machine Learning Modeling (CAMELS) na proyekto. Ang mga uniberso na ito ay nag-iiba-iba sa komposisyon mula 10% hanggang 50% na bagay, na ang natitira ay madilim na enerhiya, na nagiging sanhi ng paglawak ng uniberso nang mas mabilis at mas mabilis (Ang ating tunay na kosmos ay humigit-kumulang isang-ikatlong madilim at nakikitang bagay at dalawang-ikatlong dark energy ) . Habang umuusad ang simulation, nagsanib ang dark matter at visible matter sa mga galaxy. Kasama rin sa mga simulation ang isang magaspang na paggamot sa mga kumplikadong phenomena tulad ng supernovae at ejecta mula sa napakalaking black hole.
Ang neural network ni Dean ay nag-aral ng halos 1 milyong simulate galaxies sa iba't ibang digital universe na ito. Mula sa kanyang mala-diyos na pananaw, alam niya ang laki, komposisyon, masa, at higit sa isang dosenang iba pang mga katangian ng bawat kalawakan. Hinahangad niyang iugnay ang listahang ito ng mga numero sa density ng matter sa parent universe.
Nagtagumpay ito. Kapag sinubukan sa libu-libong bagong kalawakan mula sa dose-dosenang mga uniberso na hindi pa nito na-explore dati, nahulaan ng neural network ang density ng cosmic matter na may katumpakan na 10%. "Hindi mahalaga kung anong kalawakan ang iyong tinitingnan, walang nag-isip na ito ay posible," sabi ni Villaescuza-Navarro.
Kawili-wili din:
- Maglulunsad ang Space Entertainment Enterprise ng isang space film studio sa 2024
- Ang Amazon Alexa ay magiging digital assistant ng NASA sa Artemis I space mission
Ang pagganap ng algorithm ay namangha sa mga mananaliksik dahil ang mga kalawakan ay likas na magulong bagay. Ang ilan ay nabuo nang sabay-sabay, habang ang iba ay lumalaki sa pamamagitan ng pagkain sa kanilang mga kapitbahay. Ang mga higanteng kalawakan ay may posibilidad na mapanatili ang kanilang bagay, habang ang mga supernova at itim na butas sa dwarf galaxies ay maaaring maglabas ng karamihan sa kanilang nakikitang bagay.
Ang isang interpretasyon ay ang "Ang uniberso at/o mga kalawakan ay kahit papaano ay mas simple kaysa sa aming naisip." Ang koponan ay gumugol ng anim na buwan na sinusubukang maunawaan kung paano naging matalino ang neural network. Sinuri nila upang matiyak na ang algorithm ay hindi lamang nakahanap ng ilang paraan upang makuha ang density mula sa simulation code sa halip na mula sa mga kalawakan mismo. Sa pamamagitan ng isang serye ng mga eksperimento, naunawaan ng mga mananaliksik kung paano tinutukoy ng algorithm ang cosmic density. Sa pamamagitan ng paulit-ulit na pag-retraining sa network, sistematikong pagtatago ng iba't ibang galactic na katangian, nakatuon sila sa pinakamahalagang katangian.
Ang neural network ay nagsiwalat ng isang mas tumpak at kumplikadong relasyon sa pagitan ng humigit-kumulang 17 galactic na katangian at ang density ng bagay. Nagpapatuloy ang koneksyon na ito sa kabila ng mga galactic mergers, pagsabog ng bituin at pagsabog ng black hole.
Iminumungkahi ng pag-aaral na, sa teorya, ang isang komprehensibong pag-aaral ng Milky Way at marahil ng ilang iba pang kalapit na mga kalawakan ay maaaring magbigay-daan sa isang napaka-tumpak na pagsukat ng bagay sa ating uniberso. Ang nasabing eksperimento, sinabi ni Villaescuz-Navarro, ay maaaring magbigay ng mga pahiwatig sa iba pang bilang ng cosmic significance, tulad ng kabuuan ng hindi kilalang masa ng tatlong uri ng neutrino sa uniberso.
Mga mananaliksik magalak na ang neural network ay nakahanap ng mga pattern sa magulong galaxy ng dalawang independiyenteng simulation. Ang digital na pagtuklas ay nagpapataas ng posibilidad na ang tunay na kosmos ay maaaring magkaroon ng katulad na koneksyon sa pagitan ng malaki at maliit.
Ito ay isang napakagandang bagay. Nagtatatag ito ng koneksyon sa pagitan ng buong uniberso at isang kalawakan.
Basahin din:
- Natuklasan ng mga astronomo ang isang bagong klase ng galactic nebulae
- Kinumpirma ng mga siyentipiko sa unang pagkakataon ang sira-sira na pagsasama ng mga black hole