人工智能在突破性研究中推断出暗能量的影响和特性

暗能量是加速宇宙膨胀的神秘力量，被认为占宇宙内容的70%左右（暗物质是看不见的东西，它的引力牵引着星系，占25%，正常物质只占5%）。

主要作者尼尔-杰弗里（Niall Jeffrey）博士（UCL 物理与天文学）说："利用人工智能从计算机模拟的宇宙中学习，我们对宇宙关键属性的估计精度提高了两倍。如果没有这些新技术，要实现这一改进，我们需要四倍的数据量。这相当于再绘制3亿个星系的地图"。

共同作者洛恩-怀特威博士（伦敦大学物理与天文学学院）说："我们的发现符合目前对暗能量的最佳预测，即暗能量是一个'宇宙常数'，其值不会随空间或时间而变化。不过，它们也为正确的不同解释留出了灵活性。例如，我们的引力理论仍然可能是错误的。"

从其中一个模拟宇宙中得到的物质地图。图中最亮的区域表示暗物质密度最高的区域。这些区域与超星系团相对应。深色的几乎是黑色的斑块是宇宙空洞，即星系团之间的大片空隙。资料来源：尼尔-杰弗里等人

完善宇宙学模型

与之前于2021年首次发表的暗能量勘测图分析结果一致，这些研究结果表明，宇宙中的物质比爱因斯坦广义相对论所预测的分布得更平滑--更少有块状的情况。不过，与之前的分析相比，这项研究的差异并不那么显著，因为误差条更大。

暗能量勘测图是通过一种叫做弱引力透镜的方法获得的，即观察来自遥远星系的光线在到达地球的途中是如何被干扰物质的引力弯曲的。

这项合作分析了 1 亿个星系形状的扭曲，从而推断出这些星系前景中所有物质（包括暗物质和可见物质）的分布情况。由此绘制的地图覆盖了南半球四分之一的天空。

在这项新研究中，研究人员利用英国政府资助的超级计算机，根据暗能量调查物质地图的数据，对不同的宇宙进行了模拟。每个模拟都有不同的宇宙数学模型作为基础。

研究人员从这些模拟中创建了物质图谱。一个机器学习模型被用来提取这些地图中与宇宙学模型相关的信息。第二个机器学习工具从许多不同宇宙学模型的模拟宇宙实例中学习，查看真实观测数据，并给出任何宇宙学模型成为我们宇宙真实模型的几率。

与以前的方法相比，这项新技术使研究人员能够使用更多的地图信息。模拟在 DiRAC 高性能计算（HPC）设施上运行，该设施由英国科技设施委员会（STFC）资助。

宇宙学的未来探索

下一阶段的暗宇宙项目--包括去年夏天启动的欧洲航天局（ESA）欧几里得（Euclid）任务--将大大增加我们所掌握的有关宇宙大尺度结构的数据量，帮助研究人员确定宇宙出人意料的平滑是否是当前宇宙学模型错误的标志，或者是否有其他解释。

目前，这种平滑性与根据宇宙微波背景（CMB）--宇宙大爆炸时留下的光线--分析得出的预测结果不符。

暗能量勘测合作项目由美国能源部费米国家加速器实验室（Fermilab）主办，来自七个国家 25 个机构的 400 多名科学家参与其中。

该合作项目利用世界上功能最强大的数码相机之一--5.7亿像素暗能量相机（Dark Energy Camera）在六年时间里（从2013年到2019年）拍摄的夜空照片，对数以亿计的星系进行了编目。该相机的光学校正器由 UCL 制造，安装在智利国家科学基金会 Cerro Tololo 美洲天文台的望远镜上。

编译自:ScitechDaily