Diagramma di flusso di come funziona l'emulatore sviluppato dal team di ricerca. Credito:Kavli IPMU, NAOJ
Applicando una tecnica di apprendimento automatico, un metodo di rete neurale, a enormi quantità di dati di simulazione sulla formazione di strutture cosmiche nell'universo, un team di ricercatori ha sviluppato un programma software molto veloce e altamente efficiente in grado di fare previsioni teoriche sulla struttura formazione. Confrontando le previsioni del modello con i set di dati osservativi effettivi, il team è riuscito a misurare accuratamente i parametri cosmologici, riporta uno studio in Physical Review D .
Quando la più grande indagine sulle galassie fino ad oggi al mondo, la Sloan Digital Sky Survey (SDSS), ha creato una mappa tridimensionale dell'universo attraverso la distribuzione osservata delle galassie, è diventato chiaro che le galassie avevano determinate caratteristiche. Alcuni si sarebbero raggruppati insieme, o si sarebbero sparpagliati in filamenti, e in alcuni punti c'erano dei vuoti in cui non esistevano affatto galassie. Tutte queste galassie non si sono evolute in modo uniforme, si sono formate come risultato del loro ambiente locale. In generale, i ricercatori concordano che questa distribuzione non uniforme delle galassie è dovuta agli effetti della gravità causati dalla distribuzione della materia oscura "invisibile", la materia misteriosa che nessuno ha ancora osservato direttamente.
Studiando in dettaglio i dati nella mappa tridimensionale delle galassie, i ricercatori potrebbero scoprire le quantità fondamentali come la quantità di materia oscura nell'universo. Negli ultimi anni, le simulazioni di N corpi sono state ampiamente utilizzate negli studi che ricreano la formazione di strutture cosmiche nell'universo. Queste simulazioni imitano le disomogeneità iniziali ad alti spostamenti verso il rosso di un gran numero di particelle N-corpo che rappresentano effettivamente le particelle di materia oscura, e quindi simulano l'evoluzione della distribuzione della materia oscura nel tempo, calcolando le forze di attrazione gravitazionale tra le particelle in un universo in espansione. Tuttavia, le simulazioni sono generalmente costose e richiedono decine di ore per essere completate su un supercomputer, anche per un modello cosmologico.
Distribuzione di circa 1 milione di galassie osservate da Sloan Digital Sky Survey (in alto a sinistra) e un'immagine ingrandita della sottile regione rettangolare (in basso a sinistra). Questo può essere paragonato alla distribuzione della materia oscura invisibile prevista dalla simulazione del supercomputer assumendo il modello cosmologico che deriva dalla nostra IA (in alto a destra). In basso a destra viene mostrata la distribuzione delle finte galassie che si formano in regioni con un'elevata densità di materia oscura. La distribuzione delle galassie prevista condivide i modelli caratteristici come ammassi di galassie, filamenti e vuoti visti nei dati SDSS effettivi. Credito:Takahiro Nishimichi
Un team di ricercatori, guidato dall'ex ricercatore del progetto Kavli Institute for the Physics and Mathematics of the Universe (Kavli IPMU) Yosuke Kobayashi (attualmente Postdoctoral Research Associate presso l'Università dell'Arizona), e tra cui il professor Masahiro Takada dell'IPMU Kavli e gli scienziati in visita dell'IPMU Kavli Takahiro Nishimichi e Hironao Miyatake, hanno combinato l'apprendimento automatico con i dati di simulazione numerica del supercomputer "ATERUI II" presso il National Astronomical Observatory of Japan (NAOJ) per generare calcoli teorici dello spettro di potenza, la grandezza più fondamentale misurata dalle indagini sulle galassie, secondo i ricercatori statisticamente come sono distribuite le galassie nell'universo.
Di solito, sarebbe necessario eseguire diversi milioni di simulazioni di N corpi, ma il team di Kobayashi è stato in grado di utilizzare l'apprendimento automatico per insegnare al proprio programma a calcolare lo spettro di potenza allo stesso livello di precisione di una simulazione, anche per un modello cosmologico per il quale la simulazione non era ancora stata eseguita. Questa tecnologia è chiamata emulatore ed è già utilizzata nei campi dell'informatica al di fuori dell'astronomia.
"Combinando l'apprendimento automatico con simulazioni numeriche, che costano molto, siamo stati in grado di analizzare i dati delle osservazioni astronomiche con un'elevata precisione. Questi emulatori sono stati utilizzati in precedenza negli studi di cosmologia, ma quasi nessuno è stato in grado di tenere conto dei numerosi altri effetti, che comprometterebbero i risultati dei parametri cosmologici utilizzando dati di indagine di galassie reali. Il nostro emulatore è stato in grado di analizzare i dati di osservazione reali. Questo studio ha aperto una nuova frontiera all'analisi dei dati strutturali su larga scala", ha affermato l'autore principale Kobayashi .
Tuttavia, per applicare l'emulatore ai dati di rilevamento delle galassie reali, il team ha dovuto tenere conto dell'incertezza del "bias della galassia", un'incertezza che tiene conto del fatto che i ricercatori non possono prevedere con precisione dove si formano le galassie nell'universo a causa della loro fisica complicata inerente alla formazione delle galassie .
Per superare questa difficoltà, il team si è concentrato sulla simulazione della distribuzione di "aloni" di materia oscura, dove c'è un'alta densità di materia oscura e un'alta probabilità di formazione di galassie. Il team è riuscito a realizzare un modello di previsione flessibile per un dato modello cosmologico, introducendo un numero sufficiente di parametri "fastidiosi" per tenere conto dell'incertezza del bias della galassia.
Un confronto tra la mappa della galassia tridimensionale dello Sloan Digital Sky Survey e i risultati generati dall'emulatore sviluppato da Kobayashi et al. L'asse x mostra la frazione di materia nell'universo attuale, l'asse y mostra i parametri fisici corrispondenti alla densità dell'universo attuale (maggiore è il numero, più galassie esistono in quell'universo). Le bande azzurro e blu scuro corrispondono al 68% e al 95% di confidenza, e all'interno di quest'area mostra la probabilità che qui ci sia un valore reale dell'universo. La banda arancione corrisponde ai risultati dell'SSD. Credito:Yosuke Kobayashi
Quindi il team ha confrontato la previsione del modello con un set di dati SDSS effettivo e ha misurato con successo i parametri cosmologici con un'elevata precisione. Conferma come un'analisi indipendente che solo il 30 percento circa di tutta l'energia proviene dalla materia (principalmente materia oscura) e che il restante 70 percento è il risultato dell'energia oscura che causa l'espansione accelerata dell'universo. Sono anche riusciti a misurare l'aggregazione della materia nel nostro universo, mentre il metodo convenzionale utilizzato per analizzare le mappe 3D della galassia non è stato in grado di determinare questi due parametri contemporaneamente.
La precisione della loro misurazione dei parametri supera quella ottenuta dalle precedenti analisi delle indagini sulle galassie. Questi risultati dimostrano l'efficacia dell'emulatore sviluppato in questo studio. Il prossimo passo per il team di ricerca sarà continuare a studiare la massa della materia oscura e la natura dell'energia oscura applicando il loro emulatore alle mappe delle galassie che saranno catturate dal Prime Focus Spectrograph, in fase di sviluppo, guidato dal Kavli IPMU, per essere montato sul telescopio Subaru della NAOJ. + Esplora ulteriormente
