作為科學家可以運用的最大規模的驗證科學,觀測驗證宇宙基本框架的“觀測宇宙學”逐漸成熟。“宇宙大規模結構”近年來越來越受到重視。“宇宙大規模結構”指的是各個星系交織的網狀結構,是宇宙迄今為止復雜進化史的終結狀態。利用天文望遠鏡等對其進行詳細觀察,有助于揭開影響宇宙進化的暗物質和暗能量之謎。

為了解我們所在的宇宙是什么樣的宇宙,根據物理理論,使用超級計算機計算宇宙中各種大規模結構的演化,將其與觀測數據進行對比,是一種非常有效的手段。但是,這需要對數十萬到百萬個宇宙論模型進行精確的計算,而即使用當前可利用的最大計算資源,也很難進行如此大量的模擬。

日本京都大學基礎物理學研究所特定準教授西道啟博的研究小組,試圖利用人工智能的“機器學習”方法來解決此難題。研究小組的機器學習設備被稱為“暗模擬器”。該裝置對宇宙中暗物質成分的數量和性質等進行了各種計算,從計算得出的101個虛擬宇宙中“學習”相應關系。這樣就可以快速對新宇宙學模型預期的結果進行理論預測,而無需進行新的模擬。

“機器學習”使用的虛擬宇宙數據是日本國立天文臺超級計算機“ATERUI”和“ATERUI Ⅱ”耗時3年計算出的總容量300TB(terabyte)的巨大模擬數據。

“暗模擬器”可以預測星系的空間分布和弱重力透鏡效應的實際觀察結果,誤差約為2%—3%,利用標準筆記本電腦可以在幾秒鐘內完成理論預測,從而將計算成本大大降低。

“暗模擬器”是首次在實際觀測數據上直接應用的AI工具,向利用人工智能分析宇宙大數據邁出實質性的一步,也助推了下一代終極宇宙觀測學的到來。

研究成果已刊登在近期的《天體物理學雜志》上。