Astrophysiker am Institute for Advanced Study, dem Flatiron Institute, und ihre Partner haben mithilfe künstlicher Intelligenz eine genauere Methode entwickelt, um die Masse massiver Galaxienhaufen zu bestimmen. Künstliche Intelligenz hat entdeckt, dass Wissenschaftler bessere Massenschätzungen als zuvor erhalten können, indem sie einer bestehenden Gleichung einen einfachen Term hinzufügen.
Die neuen Vorhersagen werden es Forschern ermöglichen, die grundlegenden Eigenschaften des Universums genauer zu berechnen, so Astrophysiker, die ihre Ergebnisse am 17. März 2023 in der Zeitschrift Proceedings of the National Academy of Sciences veröffentlicht haben.
Francisco Villaescusa-Navarro, ein Forschungswissenschaftler am Center for Computational Astrophysics (CCA) des Flatiron Institute in New York und Mitautor der Studie, sagte: „Es ist eine sehr einfache Sache; Das ist das Schöne an dem Job“, sagt er. „Obwohl es so einfach ist, war dieser Begriff vorher nicht bekannt. Die Menschen suchen seit Jahrzehnten danach, haben aber noch keinen Erfolg.
Das Projekt wurde von Digvijay Wadekar vom Institute for Advanced Study in Princeton, New Jersey, zusammen mit Forschern des CCA, der Princeton University, der Cornell University und des Harvard & Smithsonian Center for Astrophysics geleitet.
Zu wissen, wo und wie viel Materie ist, wird Ihnen helfen, den Kosmos besser zu verstehen. Die größten Objekte im Universum sind Galaxienhaufen, die Hunderte bis Tausende von Galaxien enthalten können, sowie Plasma, heißes Gas und dunkle Materie. Diese Elemente werden durch die Schwerkraft des Clusters aneinander gebunden. Das Verständnis solcher Galaxienhaufen ist entscheidend für die Bestimmung des Beginns und der laufenden Entwicklung des Kosmos.
Die Gesamtmasse eines Galaxienhaufens ist wohl der wichtigste Faktor bei der Definition seiner Eigenschaften. Diese Menge ist jedoch schwer abzuschätzen, da Galaxien nicht auf einer Waage „gewogen“ werden können. Die Unsichtbarkeit der Dunklen Materie, die einen erheblichen Teil der Masse eines Clusters ausmacht, trägt zu dieser Herausforderung bei. Stattdessen subtrahieren sie die Masse eines Clusters von anderen messbaren Eigenschaften.
In den frühen 1970er Jahren entwickelten Rashid Sunyaev und Yakov B. Zel'dovich eine neue Methode zur Berechnung der Massen von Galaxienhaufen. Rashid Sunyaev ist derzeit ein angesehener Gastprofessor am Institute for Advanced Study, School of Natural Sciences. Ihr Ansatz basiert auf der Idee, dass beim Komprimieren von Materie durch die Schwerkraft ihre Elektronen zurückgedrängt werden.
Die Wechselwirkung zwischen Elektronen und Lichtphotonen ändert sich mit diesem Druck auf die Elektronen. Die Wechselwirkung erzeugt neue Photonen, wenn Photonen aus dem Nachlicht des Urknalls auf das komprimierte Material treffen. Die Eigenschaften dieser Photonen hängen davon ab, wie stark das Material durch die Schwerkraft komprimiert wird, was wiederum von der Masse des Galaxienhaufens abhängt. Durch Zählen der Photonen können Astrophysiker die Masse des Haufens bestimmen.
Dieser "integrierte Elektronendruck" ist kein perfekter Ersatz für Masse, da Änderungen der Photoneneigenschaften vom Galaxienhaufen abhängen. Wadekar und Kollegen stellten die Hypothese auf, dass eine maschinelle Lerntechnologie namens „symbolische Regression“ eine effektivere Strategie aufzeigen könnte. Um zu bestimmen, welche Gleichung am besten zu den Daten passt, probiert das Programm im Wesentlichen verschiedene Kombinationen mathematischer Operatoren mit unterschiedlichen Variablen aus.
Wadekar und Kollegen „fütterten“ ihre KI-Algorithmen mit einer hochmodernen Universumssimulation, die mehrere Galaxienhaufen umfasste. Als Nächstes verwendete der CCA-Forschungsmitarbeiter Miles Cranmer seine Algorithmen, um nach anderen Variablen zu suchen und diese zu identifizieren, die die Massenschätzungen verbessern würden.
KI ist nützlich, um neue Kombinationen von Parametern zu entdecken, die menschlichen Analysten möglicherweise entgehen. Während beispielsweise das Erkennen von zwei Schlüsselelementen in einem Datensatz für menschliche Analysten einfach ist, kann KI große Datenmengen besser einordnen und häufig unerwartete Faktoren aufdecken.
Laut Wadekar stehen Deep Neural Networks derzeit im Fokus der Machine-Learning-Community. Diese sind unglaublich stark, aber ein Nachteil ist, dass sie fast vollständig undurchsichtig sind. Was in ihnen vorgeht, übersteigt unser Verständnis. Wenn etwas in der Physik gut funktioniert, wollen wir wissen warum. Die symbolische Regression ist vorteilhaft, da sie einen gegebenen Datensatz untersucht und leicht verständliche mathematische Ausdrücke in Form einfacher Gleichungen erzeugt. Es bietet ein leicht verständliches Modell.
Das symbolische Regressionsprogramm der Forscher fügte der bestehenden Gleichung einen einzelnen neuen Term hinzu und gab ihnen eine neue Gleichung, die die Masse des Galaxienhaufens genauer vorhersagen konnte. Wadekar und Kollegen arbeiteten dann ausgehend von dieser von künstlicher Intelligenz generierten Gleichung rückwärts, um eine physikalische Erklärung zu finden. Sie entdeckten, dass das Vorhandensein von supermassiven Schwarzen Löchern in den Zentren von Galaxien mit anderen Regionen von Galaxienhaufen korreliert, in denen Massenrückschlüsse weniger genau sind. Seine überarbeiteten Gleichungen verbesserten Massenschätzungen, indem sie die Bedeutung komplexer Kerne in Berechnungen reduzierten. Der Galaxienhaufen hat die Form eines Donuts.
Die neue Formel eliminiert das Gelee in der Mitte des Brötchens, das zu größeren Ungenauigkeiten führen kann, und konzentriert sich stattdessen auf die teigigen Ränder für genauere Massenrückschlüsse.
Die Forscher testeten die von künstlicher Intelligenz entdeckte Gleichung an Zehntausenden von simulierten Universen in der CAMELS-Suite von CCA. Sie entdeckten, dass die Gleichung im Vergleich zu der derzeit verwendeten Gleichung die Variabilität der Massenschätzungen von Galaxienhaufen für große Haufen um etwa 20 bis 30 Prozent reduziert.
Die neue Gleichung könnte beobachtenden Astronomen ein besseres Verständnis der Massen von Objekten vermitteln, die sie bei bevorstehenden Galaxienhaufen-Durchmusterungen entdecken. Laut Wadekar wird in naher Zukunft eine Reihe von Studien zu Galaxienhaufen erwartet.
Simons Observatory, das CMB-Experiment der Stufe 4 und die eROSITA-Röntgenforschung sind nur einige Beispiele. Durch die Verwendung der neuen Gleichungen können wir den wissenschaftlichen Ertrag dieser Forschungen steigern.
Wadekar sagt auch voraus, dass diese Arbeit nur der Anfang der Verwendung der symbolischen Regression in der Astrophysik sein wird. „Wir glauben, dass die symbolische Regression sehr nützlich sein wird, um eine Vielzahl von astrophysikalischen Fragen zu beantworten“, sagte Wadekar. Menschen in der Astronomie machen oft eine lineare Anpassung zwischen den beiden Parametern und ignorieren alle anderen Faktoren. Aber mit diesen Technologien können Sie heute noch mehr tun.
Mit symbolischer Regression und anderen Methoden der künstlichen Intelligenz können wir kleine astrophysikalische Systeme wie Exoplaneten bis hin zu Galaxienhaufen, den größten Objekten im Universum, erforschen, um über die Grenzen der derzeit existierenden Zwei-Parameter-Potenzgesetze hinauszugehen.
Quelle: eurekalert.org/news
Günceleme: 24/03/2023 14:16