人工智能改进了宇宙学参数估计，增强了对宇宙膨胀和结构的理解。
宇宙的标准模型取决于六个数字。熨斗研究所的研究人员及其同事使用一种由人工智能驱动的新方法，提取了隐藏在星系分布中的信息，以前所未有的精度估计了其中五个宇宙学参数的值。
与传统技术相比使用相同的星系数据，该方法得出的描述宇宙物质团块参数的不确定性不到一半。此外，人工智能驱动的方法与基于其他现象（例如宇宙最古老的光）的观测对宇宙学参数的估计非常一致。
他们的方法是基于模拟的星系推断（或 SimBIG），在最近的一系列论文中进行了详细介绍，其中包括在《自然天文学》上发表的一项新研究。
在使用相同数据的同时对参数产生更严格的约束将该研究的合著者、纽约市熨斗研究所计算天体物理中心（CCA）的组长雪莉·何（Shirley Ho）表示，这对于研究从暗物质的组成到驱动宇宙分裂的暗能量的性质等一切事物都至关重要。她说，随着新的宇宙调查在未来几年上线，这一点尤其正确。
每一项调查都花费数亿至数十亿美元。美元，何说。这些调查存在的主要原因是我们想更好地了解这些宇宙学参数。因此，如果您从非常实际的意义上考虑，这些参数每个都价值数千万美元。您需要最好的分析，以便从这些调查中提取尽可能多的知识，并突破我们对宇宙理解的界限。
六个宇宙学参数描述了普通物质、暗物质、宇宙中的暗能量以及大爆炸后的情况，例如新生宇宙冷却时的不透明度以及宇宙中的质量是分散的还是大块的。自然天文学研究合著者、CCA 研究分析师利亚姆·帕克 (Liam Parker) 表示，这些参数本质上是宇宙的设置，决定了宇宙如何在最大尺度上运行。
基于模拟的星系推断（SimBIG）使天文学家能够利用人工智能技术更好地估计宇宙的关键特性。该视频将用于训练 SimBIG 的模拟宇宙中的星系分布（右）与真实宇宙中看到的星系分布（左）进行了比较。图片来源：Bruno Rgaldo-Saint Blancard/SimBIG 合作
宇宙学家计算参数的最重要方法之一是研究宇宙星系的聚类。此前，这些分析仅着眼于星系的大尺度分布。
我们无法深入到小尺度，普林斯顿大学副研究学者、《自然》杂志的主要作者 ChangHoon Hahn 表示天文学研究。几年来，我们知道那里有更多信息；我们只是没有一个好的方法来提取它。
Hahn 提出了一种利用人工智能来提取小规模信息的方法。他的计划分为两个阶段。首先，他和他的同事将训练一个人工智能模型，根据模拟宇宙的外观确定宇宙学参数的值。然后他们会展示他们的模型的实际星系分布观测结果。
Hahn、Ho、Parker 和他们的同事通过向 CCA 开发的 Quijote 模拟套件中展示 2000 个盒形宇宙来训练他们的模型，每个宇宙都是使用宇宙学参数的不同值。研究人员甚至使 2000 个宇宙看起来像星系巡天生成的数据，包括来自大气层和望远镜本身的缺陷，以使模型具有现实意义。哈恩说，这是一个大量的模拟，但它是一个可以管理的数量。如果没有机器学习，则需要数十万个。
通过吸收模拟，模型随着时间的推移了解宇宙学参数的值如何与星系聚类中的小规模差异相关，例如各个星系对之间的距离。SimBIG 还学会了如何通过一次观察三个或更多星系并分析它们之间创建的形状（例如长的、拉伸的三角形或蹲等边三角形）来从宇宙星系的更大图景排列中提取信息。
<通过训练模型，研究人员向模型展示了重子振荡光谱巡天测量到的 109,636 个真实星系。正如他们所希望的那样，该模型利用数据中的小尺度和大规模细节来提高其宇宙学参数估计的精度。这些估计非常精确，相当于使用大约四倍数量的星系进行的传统分析。何说，这很重要，因为宇宙只有这么多星系。通过用更少的数据获得更高的精度，SimBIG 可以突破可能的极限。Hahn 说，这种精度的一个令人兴奋的应用将是被称为哈勃张力的宇宙学危机。紧张局势源于对哈勃常数的不匹配估计，哈勃常数描述了宇宙中一切事物扩散的速度。
计算哈勃常数需要使用宇宙尺来估计宇宙的大小。基于遥远星系中被称为超新星的爆炸恒星距离的估计值比基于宇宙最古老光波动间隔的估计值高出约 10%。
未来几年上线的新调查将捕获更多的宇宙历史。哈恩说，将这些调查的数据与 SimBIG 配对将更好地揭示哈勃张力的程度，以及是否可以解决不匹配问题，或者是否需要修改宇宙模型。他说，如果我们非常精确地测量这些量，并且可以肯定地说存在张力，那么就可以揭示有关暗能量和宇宙膨胀的新物理学。
参考：来自非高斯的宇宙学约束使用 SimBIG 推理框架进行非线性星系聚类，作者：ChangHoon Hahn、Pablo Lemos、Liam Parker、Bruno Rgaldo-Saint Blancard、Michael Eickenberg、Shirley Ho、Jiamin Hou、Elena Massara、Chirag Modi、Azadeh Moradinezhad Dizgah 和 David Spergel，2024 年 8 月 21 日、自然天文学。
DOI：10.1038/s41550-024-02344-2