При компьютерном моделировании возможных вселенных исследователи обнаружили, что нейронная сеть может помочь сделать вывод о количестве материи во всей вселенной, изучая только одну из её галактик. Группа учёных, возможно, наткнулась на радикально новый способ изучения космологии.
Космологи обычно определяют состав Вселенной, наблюдая за ней как можно больше.
Но в представленном исследовании было обнаружено, что алгоритм машинного обучения может тщательно изучить одну смоделированную галактику и предсказать общий состав цифровой вселенной, в которой она существует — подвиг, аналогичный анализу случайной песчинки под микроскопом и вычислению массы Евразии.
Машины, похоже, нашли закономерность, которая когда-нибудь позволит астрономам делать радикальные выводы о реальном космосе, просто изучая его элементарные строительные блоки. «Это совершенно другая идея», — сказал Франсиско Вильяэскуза-Наварро, астрофизик-теоретик из Института Флэтайрон в Нью-Йорке и ведущий автор работы. «Вместо того, чтобы измерять эти миллионы галактик, вы можете просто взять одну. Удивительно, что это работает». Этого не должно было быть.
Фото: 3dnews.ru
Невероятная находка выросла из задания, которое Вильяэскуза-Наварро дал Юпитеру Дину, студенту Принстонского университета: построить нейронную сеть, которая при известных свойствах галактики, может оценить пару космологических атрибутов. Задание предназначалось просто для того, чтобы познакомить Дина с машинным обучением. Затем они заметили, что компьютер подсчитывал общую плотность материи.
«Я думал, что студент сделал ошибку, — сказал Вильяэскуза-Наварро. «Мне было немного трудно поверить в такое, если честно».
Результаты последующего исследования появились в препринте от 6 января, представленном для публикации. Исследователи проанализировали 2000 цифровых вселенных, созданных в рамках проекта «Космология и астрофизика с моделированием машинного обучения» (CAMELS). Эти вселенные имели разный состав: от 10% до 50% материи, а остальная часть состояла из тёмной энергии, которая заставляет Вселенную расширяться всё быстрее и быстрее. (настоящий космос примерно на одну треть состоит из тёмной и видимой материи и на две трети из тёмной энергии.)
По мере выполнения моделирования тёмная материя и видимая материя сливались в галактики. Моделирование также включало в себя грубую обработку сложных явлений, таких как сверхновые звёзды и выбросы сверхмассивных чёрных дыр. Нейронная сеть Дина изучила почти 1 миллион смоделированных галактик в этих разнообразных цифровых вселенных. Со своей богоподобной перспективы он знал размер, состав, массу каждой галактики и более дюжины других характеристик. Он стремился связать этот список чисел с плотностью материи в родительской вселенной. Это удалось. При тестировании на тысячах новых галактик из десятков вселенных, которые она ранее не исследовала, нейронная сеть смогла предсказать космическую плотность материи с точностью до 10%.
«Неважно, какую галактику вы рассматриваете, — сказал Вильяэскуза-Наварро. «Никто не предполагал, что это будет возможно». «Эта одна галактика может получить плотность до 10% или около того, что меня очень удивило», — сказал Фолькер Спрингель, эксперт по моделированию образования галактик в Институте астрофизики Макса Планка, который не участвовал в исследовании.
Фото: ria.ru
Производительность алгоритма поразила исследователей, потому что галактики по своей природе являются хаотическими объектами. Одни формируются все за один раз, а другие растут, поглощая своих соседей. Гигантские галактики склонны удерживать своё вещество, в то время как сверхновые звёзды и чёрные дыры в карликовых галактиках могут выбрасывать большую часть своей видимой материи.
Тем не менее, каждой галактике каким-то образом удавалось внимательно следить за общей плотностью материи в своей вселенной. Одна из интерпретаций заключается в том, что «Вселенная и/или галактики в некотором роде намного проще, чем мы себе представляли», — сказала Полин Бармби, астроном из Западного университета в Онтарио. Во-вторых, у симуляций есть непризнанные недостатки. Команда потратила полгода, пытаясь понять, как нейронная сеть стала такой мудрой. Они проверили, чтобы убедиться, что алгоритм не нашёл способ вывести плотность из кода симуляции, а не из самих галактик. «Нейронные сети очень мощные, но очень ленивые», — сказал Вильяэскуза-Наварро.
С помощью серии экспериментов исследователи поняли, как алгоритм определяет космическую плотность. Неоднократно переобучая сеть, систематически скрывая различные галактические свойства, они сосредоточились на наиболее важных атрибутах. В верхней части списка было свойство, связанное со скоростью вращения галактики, которая соответствует тому, сколько материи (тёмной и любой другой) находится в центральной зоне галактики. По словам Спрингеля, открытие соответствует физической интуиции.
Во вселенной, переполненной тёмной материей, можно ожидать, что галактики станут тяжелее и будут вращаться быстрее. Таким образом, вы можете предположить, что скорость вращения коррелирует с плотностью космической материи, хотя сама по себе эта зависимость слишком грубая, чтобы иметь большую предсказательную силу.
Нейронная сеть обнаружила гораздо более точную и сложную связь между примерно 17 галактическими свойствами и плотностью материи. Эта связь сохраняется, несмотря на галактические слияния, звездные взрывы и поведения чёрных дыр.
«Как только вы доберетесь до более чем двух свойств, вы не сможете нанести их на график и увидеть тенденцию, но нейронная сеть может», — сказал Шон Хотчкисс, космолог из Оклендского университета в Новой Зеландии. Хотя успех алгоритма ставит вопрос о том, сколько характеристик Вселенной можно извлечь из тщательного изучения всего одной галактики, космологи подозревают, что возможности его практического применения будут ограничены.
Фото: techcult.ru
Когда группа Вильяэскуза-Наварро проверила свою нейронную сеть на другом свойстве — космической комковатости — она не обнаружила никакой закономерности. И Спрингель ожидает, что другие космологические атрибуты, такие как ускорение расширения Вселенной из-за тёмной энергии, мало влияют на отдельные галактики. Исследование действительно предполагает, что теоретически исчерпывающее изучение Млечного Пути и, возможно, нескольких других близлежащих галактик могло бы позволить чрезвычайно точное измерение материи нашей Вселенной.
Такой эксперимент, по словам Виллаескуза-Наварро, может дать ключ к разгадке других чисел космического значения, таких как сумма неизвестных масс трёх типов нейтрино во Вселенной. Но на практике техника должна была сначала преодолеть главную слабость.
Коллаборация CAMELS готовит свои вселенные, используя два разных рецепта. Нейронная сеть, обученная по одному из способов, делает неверные предположения о плотности, когда ей даются галактики, спроектированные по другому рецепту. Ошибка перекрёстного предсказания указывает на то, что нейронная сеть находит решения, уникальные для правил каждого рецепта. Она точно не знала бы, что делать с Млечным Путём, галактикой, созданной по реальным законам физики. Прежде чем применять эту технику в реальном мире, исследователям нужно будет либо сделать симуляции более реалистичными, либо внедрить более общие методы машинного обучения — сложная задача.
«Я очень впечатлён возможностями, но нужно не слишком увлекаться», — сказал Спрингел.
Но Вильяэскуза-Наварро радуется тому, что нейронная сеть смогла найти закономерности в беспорядочных галактиках двух независимых симуляций. Цифровое открытие повышает вероятность того, что реальный космос может скрывать подобную связь между большим и маленьким. «Это очень красивая вещь, — сказал он. «Она устанавливает связь между всей вселенной и одной галактикой».