Искусственный интеллект дополнил уравнение для взвешивания скоплений галактик
Астрофизики из Института перспективных исследований, Института Флэтайрона и их коллеги использовали искусственный интеллект, чтобы найти лучший способ оценки массы колоссальных скоплений галактик. ИИ обнаружил, что, просто добавив простой член в существующее уравнение, ученые могут получить гораздо более точные оценки массы, чем раньше. Улучшенные оценки позволят ученым более точно рассчитать фундаментальные свойства Вселенной, сообщают астрофизики в Proceedings of the National Academy of Sciences.
На этом изображении, полученном космическим телескопом НАСА «Хаббл», показана спиральная галактика (внизу слева) перед большим скоплением галактик. Новое исследование использовало искусственный инструмент для более точной оценки масс скоплений галактик.
Авторы и права: ЕКА/Хаббл и НАСА.
«Это такая простая вещь, в этом вся прелесть», — говорит соавтор исследования Франсиско Виллаескуза-Наварро, научный сотрудник Центра вычислительной астрофизики (CCA) Института Флэтайрона в Нью-Йорке. «Хоть это и так просто, никто раньше не находил этого термина. Люди работали над этим десятилетиями, и до сих пор не смогли этого найти».
Работу возглавил Дигвиджай Вадекар из Института перспективных исследований в Принстоне, штат Нью-Джерси, вместе с исследователями из CCA, Принстонского университета, Корнельского университета и Центра астрофизики | Гарвард и Смитсоновский институт.
Чтобы понять вселенную, нужно знать, где и сколько всего находится. Скопления галактик — самые массивные объекты во Вселенной: одно скопление может содержать от сотен до тысяч галактик, а также плазму, горячий газ и темную материю. Гравитация скопления удерживает эти компоненты вместе. Понимание таких скоплений галактик имеет решающее значение для определения происхождения и продолжения эволюции Вселенной.
Возможно, наиболее важной величиной, определяющей свойства скопления галактик, является его общая масса. Но измерить эту величину сложно — галактики нельзя «взвесить», поместив их на весы. Проблема еще более усложняется тем, что темная материя, составляющая большую часть массы скопления, невидима. Вместо этого ученые выводят массу скопления из других наблюдаемых величин.
В начале 1970-х годов Рашид Сюняев, ныне известный приглашенный профессор Школы естественных наук Института перспективных исследований, и его сотрудник Яков Б. Зельдович разработали новый способ оценки масс скоплений галактик. Их метод основан на том факте, что когда гравитация сжимает материю, электроны материи отталкиваются.
Это давление электронов изменяет то, как электроны взаимодействуют с частицами света, называемыми фотонами. Когда фотоны, оставшиеся от послесвечения Большого взрыва, попадают на сжатый материал, взаимодействие создает новые фотоны. Свойства этих фотонов зависят от того, насколько сильно гравитация сжимает материал, что, в свою очередь, зависит от веса скопления галактик. Измеряя фотоны, астрофизики могут оценить массу скопления.
Однако это «интегральное давление электронов» не является идеальным показателем массы, потому что изменения свойств фотонов варьируются в зависимости от скопления галактик. Вадекар и его коллеги подумали, что инструмент искусственного интеллекта под названием «символическая регрессия» мог бы найти лучший подход. Инструмент, по сути, пробует различные комбинации математических операторов, таких как сложение и вычитание, с различными переменными, чтобы увидеть, какое уравнение лучше всего соответствует данным.
Вадекар и его сотрудники «скармливали» своей программе искусственного интеллекта современную симуляцию вселенной, содержащую множество галактических скоплений. Затем их программа, написанная научным сотрудником CCA Майлзом Крэнмером, искала и определяла дополнительные переменные, которые могли бы сделать оценки массы более точными.
Производительность нового уравнения символической регрессии показана на средней панели, тогда как производительность традиционного метода показана наверху. Нижняя панель явно определяет уменьшение разброса.
Предоставлено: Труды Национальной академии наук (2023 г.). DOI: 10.1073/pnas.2202074120
ИИ полезен для выявления новых комбинаций параметров, которые аналитики-люди могут не заметить. Например, в то время как аналитикам легко определить два важных параметра в наборе данных, ИИ может лучше анализировать большие объемы, часто обнаруживая неожиданные влияющие факторы.
«В настоящее время большая часть сообщества машинного обучения сосредоточена на глубоких нейронных сетях », — пояснил Вадекар.
«Они очень мощные, но недостаток в том, что они почти как черный ящик. Мы не можем понять, что в них происходит. В физике, если что-то дает хорошие результаты, мы хотим знать, почему это происходит. Символическая регрессия выгодна, потому что она ищет заданный набор данных и генерирует простые математические выражения в форме простых уравнений, которые вы можете понять. Он обеспечивает легко интерпретируемую модель».
Программа символической регрессии исследователей дала им новое уравнение, которое позволило лучше предсказать массу скопления галактик, добавив один новый член к существующему уравнению. Затем Вадекар и его сотрудники работали в обратном направлении от этого уравнения, сгенерированного ИИ, и нашли физическое объяснение.
Они поняли, что концентрация газа коррелирует с областями скоплений галактик, где выводы о массе менее надежны, например, с ядрами галактик, где скрываются сверхмассивные черные дыры. Их новое уравнение улучшило выводы о массе, преуменьшив важность этих сложных ядер в расчетах. В некотором смысле скопление галактик похоже на сферический пончик.
Новое уравнение извлекает желе в центре пончика, что может привести к большим ошибкам, и вместо этого концентрируется на рыхлых краях для более надежных выводов о массе.
Компромиссы между различными методами машинного обучения. Символьная регрессия гораздо менее эффективна, чем глубокие нейронные сети для многомерных наборов данных, но она гораздо более интерпретируема, поскольку на выходе выдает математические уравнения.
Кредит: Дигвиджай Вадекар
Исследователи протестировали уравнение, открытое искусственным интеллектом, на тысячах смоделированных вселенных из пакета CAMELS от CCA. Они обнаружили, что уравнение уменьшило изменчивость в оценках массы скопления галактик примерно на 20-30 процентов для больших скоплений по сравнению с используемым в настоящее время уравнением.
Новое уравнение может предоставить астрономам-наблюдателям, участвующим в предстоящих исследованиях скоплений галактик, лучшее понимание массы объектов, которые они наблюдают. «В ближайшем будущем запланировано довольно много исследований, нацеленных на скопления галактик», — отметил Вадекар. «Примеры включают обсерваторию Саймонса, эксперимент Stage 4 CMB и рентгеновский обзор под названием eROSITA. Новые уравнения могут помочь нам максимизировать научную отдачу от этих исследований».
Вадекар также надеется, что эта публикация будет лишь верхушкой айсберга, когда речь заходит об использовании символической регрессии в астрофизике. «Мы думаем, что символическая регрессия очень применима для ответа на многие астрофизические вопросы», — сказал он.
«Во многих случаях в астрономии люди делают линейную подгонку между двумя параметрами и игнорируют все остальное. Но сегодня с этими инструментами можно пойти дальше. Символическая регрессия и другие инструменты искусственного интеллекта могут помочь нам выйти за рамки существующих двухпараметрических законы мощности различными способами, начиная от исследования небольших астрофизических систем, таких как экзопланеты, и заканчивая скоплениями галактик, самыми большими объектами во Вселенной».
