任何单个星系都揭示了整个宇宙的组成

本文编译自Quanta Magazine

【在可能的宇宙的计算机模拟中，研究人员发现，神经网络可以通过研究其中一个星系来推断整个宇宙中物质的数量。】

一群科学家可能偶然发现了一种全新的宇宙学研究方法。

CAMELS 项目模拟了数千个不同的宇宙

本人注：原文此处是动图/视频，我已经上传，可以点击链接观看：https://v.ixigua.com/LNsEP2B/

宇宙学家通常通过尽可能多地观察宇宙来确定宇宙的组成。但这些研究人员发现，机器学习算法可以检查单个模拟星系并预测其存在的数字宇宙的整体构成——这一壮举类似于在显微镜下分析随机沙粒并计算出欧亚大陆的质量。这些机器似乎找到了一种模式，有朝一日，天文学家可能仅通过研究其基本组成部分就可以得出关于真实宇宙的全面结论。

“这是一个完全不同的想法，”纽约Flatiron研究所的理论天体物理学家、该工作的主要作者Navarro（维拉埃库萨-纳瓦罗）说。“不用测量这数百万个星系，你可以只取一个。这真的很神奇。”

这不应该。这个不可能的发现源于纳瓦罗给普林斯顿大学本科生朱庇特Ding做的一个练习：建立一个神经网络，已知一个星系的属性，估计几个宇宙学属性。这项任务只是为了让Ding熟悉机器学习。然后他们注意到计算机正在确定物质的整体密度。“我以为学生犯了一个错误，”纳瓦罗说。“说实话，我有点难以置信。”

结果演变成了1月6日的一篇预印本论文。研究人员分析了宇宙学和天体物理学与机器学习模拟 ( CAMELS ) 项目生成的 2,000 个数字宇宙。这些宇宙包含10%—50%的物质，其余的由暗能量组成，推动宇宙越来越快地膨胀（我们的实际宇宙由大约1/3的暗物质和可见物质和2/3暗能量组成）。随着模拟的进行，暗物质和可见物质一起旋转形成星系。模拟还包括对从超大质量黑洞喷发的超新星和喷流等复杂事件的粗略处理。

预印本服务器的论文截图

Ding的神经网络研究了这些不同数字宇宙中近100万个模拟星系。从它神奇的角度来看，它知道每个星系的大小、组成、质量和其他十几个特征。它试图将这个数字列表与母宇宙中的物质密度联系起来。当对来自数十个以前从未检查过的宇宙的数千个新星系进行测试时，神经网络能够将宇宙物质密度预测在10%以内。“你正在考虑哪个星系并不重要，”纳瓦罗说。“没有人想到这是可能的。”

“一个星系的密度可以达到10%左右，这让我感到非常惊讶，”马普天体物理研究所模拟星系形成的专家沃尔克·斯普林格 ( Volker Springel ) 说，他没有参与这项研究。

该算法的性能让研究人员感到惊讶，因为星系本质上是混沌物体。有些是一口气形成的，有些则通过吃邻居来成长。巨型星系倾向于保留它们的物质，而矮星系中的超新星和黑洞可能会喷射出大部分可见物质。尽管如此，每个星系还是设法密切关注其宇宙中物质的整体密度。

一种解释是“宇宙和/或星系在某些方面比我们想象的要简单得多，”西安大略大学的天文学家波琳·巴姆比说。另一个是模拟存在无法识别的缺陷。该团队花了半年时间试图了解神经网络是如何变得如此聪明的。他们检查以确保该算法不仅找到了某种方法来从模拟编码而不是星系本身来推断密度。“神经网络非常强大，但它们超级懒惰，”纳瓦罗说。

通过一系列实验，研究人员了解了该算法是如何预测宇宙密度的。通过反复重新训练网络，同时系统地掩盖不同的星系属性，他们将注意力集中在最重要的属性上。

靠近列表顶部的是一个与星系旋转速度相关的属性，它对应于星系中心区域有多少物质（暗物质和其他物质）。据 斯普林格称，这一发现与物理直觉相符。在一个充满暗物质的宇宙中，你会期望星系变得更重并且旋转得更快。所以你可能会猜测旋转速度与宇宙物质密度相关，尽管这种关系本身就太粗略了，没有太大的预测能力。

神经网络发现了大约 17 个星系属性与物质密度之间更精确和复杂的关系。尽管星系合并、恒星爆炸和黑洞爆发，这种关系仍然存在。新西兰奥克兰大学的宇宙学家尚霍奇吉斯（Shaun Hotchkiss）说：“一旦你得到超过 [两个属性]，你就无法绘制它并眯着眼睛观察趋势，但神经网络可以。”

虽然该算法的成功提出了一个问题，即可以从对一个星系的彻底研究中提取出多少宇宙特征，但宇宙学家怀疑现实世界的应用将受到限制。当纳瓦罗的小组在不同属性的宇宙测试他们的神经网络时，它没有发现任何模式。斯普林格预计，其他宇宙学属性，例如由于暗能量导致的宇宙加速膨胀，对单个星系几乎没有影响。

该研究确实表明，理论上，对银河系以及或许其他一些附近星系的详尽研究可以对我们宇宙的物质进行非常精确的测量。纳瓦罗说，这样的实验可以为其他数量的宇宙输入提供线索，例如宇宙中三种中微子未知质量的总和。

但在实践中，该技术必须首先克服一个主要弱点。CAMELS 合作使用两种不同的食谱烹制了它的宇宙。当给定根据另一种方法烘焙的星系时，根据其中一种方法训练的神经网络会做出错误的密度猜测。交叉预测失败表明神经网络正在寻找每个配方规则独有的解决方案。它当然不知道如何处理银河系，一个由真正的物理定律塑造的星系。在将该技术应用到现实世界之前，研究人员需要使模拟更加逼真，或者采用更通用的机器学习技术——这是一项艰巨的任务。

但纳瓦罗对神经网络能够在两个独立模拟的杂乱星系中找到模式感到振奋。数字发现增加了真实宇宙可能隐藏着大小之间类似联系的可能性。“这是一件非常美好的事情，”他说。“它在整个宇宙和单个星系之间建立了联系。”

CAMELS项目

点击链接观看“骆驼”样子：https://m.toutiao.com/is/LNvESj2/?= CAMELS 项目模拟了数千个不同的宇宙