Astrophysiker nutzen KI, um die „Einstellungen“ des Universums präzise zu berechnen

Das Standardmodell des Universums beruht auf nur sechs Zahlen. Mithilfe eines neuen Ansatzes auf Basis künstlicher Intelligenz konnten Forscher des Flatiron Institute und ihre Kollegen nun Informationen aus der Verteilung der Galaxien extrahieren und die Werte von fünf dieser sogenannten kosmologischen Parameter mit unglaublicher Präzision schätzen.

Die Ergebnisse stellten eine deutliche Verbesserung gegenüber den Werten früherer Methoden dar. Im Vergleich zu herkömmlichen Techniken, die dieselben Galaxiendaten verwenden, ergab der Ansatz weniger als die Hälfte der Unsicherheit für den Parameter, der die Klumpigkeit der Materie des Universums beschreibt. Die KI-gestützte Methode stimmte auch eng mit Schätzungen der kosmologischen Parameter überein, die auf Beobachtungen anderer Phänomene wie dem ältesten Licht des Universums beruhten.

Die Forscher stellen ihre Methode vor, die Simulationsbasierte Inferenz von Galaxien (oder SimBIG) in einer Reihe neuerer Arbeiten, darunter eine neue Studie veröffentlicht am 21. August in Naturastronomie.

Die Schaffung engerer Grenzen für die Parameter bei gleichbleibenden Daten wird entscheidend sein, um alles von der Zusammensetzung der Dunklen Materie bis zur Natur der Dunklen Energie zu erforschen, die das Universum auseinander treibt, sagt die Co-Autorin der Studie, Shirley Ho, Gruppenleiterin am Center for Computational Astrophysics (CCA) des Flatiron Institute in New York City. Das gelte insbesondere, da in den nächsten Jahren neue Durchmusterungen des Kosmos online gehen, sagt sie.

„Jede dieser Untersuchungen kostet Hunderte Millionen bis Milliarden Dollar“, sagt Ho. „Der Hauptgrund für die Existenz dieser Untersuchungen ist, dass wir diese kosmologischen Parameter besser verstehen wollen. Wenn man also ganz praktisch darüber nachdenkt, sind diese Parameter jeweils mehrere zehn Millionen Dollar wert. Man möchte die bestmögliche Analyse, um so viel Wissen wie möglich aus diesen Untersuchungen zu gewinnen und die Grenzen unseres Verständnisses des Universums zu erweitern.“

Die sechs kosmologischen Parameter beschreiben die Menge an gewöhnlicher Materie, dunkler Materie und dunkler Energie im Universum und die Bedingungen nach dem Urknall, wie etwa die Opazität des neugeborenen Universums beim Abkühlen und ob die Masse im Kosmos verteilt oder in großen Klumpen vorliegt. Die Parameter „sind im Wesentlichen die ‚Einstellungen‘ des Universums, die bestimmen, wie es auf den größten Skalen funktioniert“, sagt Liam Parker, Co-Autor der Studie und Forschungsanalytiker am CCA.

Eine der wichtigsten Methoden, mit denen Kosmologen die Parameter berechnen, ist die Untersuchung der Galaxienhaufen im Universum. Bisher wurde bei diesen Analysen nur die großräumige Verteilung von Galaxien untersucht.

„Wir konnten bisher nicht in den kleinen Maßstab vordringen“, sagt ChangHoon Hahn, wissenschaftlicher Mitarbeiter an der Princeton University und Hauptautor der Studie. „Seit ein paar Jahren wissen wir, dass es dort zusätzliche Informationen gibt; wir hatten nur keine gute Möglichkeit, diese zu extrahieren.“

Hahn schlug eine Methode vor, KI zu nutzen, um diese kleinräumigen Informationen zu extrahieren. Sein Plan bestand aus zwei Phasen. Zunächst würden er und seine Kollegen ein KI-Modell trainieren, um die Werte der kosmologischen Parameter anhand des Erscheinungsbilds simulierter Universen zu bestimmen. Dann würden sie ihrem Modell tatsächliche Beobachtungen der Galaxienverteilung zeigen.

Hahn, Ho, Parker und ihre Kollegen trainierten ihr Modell, indem sie ihm 2.000 kastenförmige Universen aus der von CCA entwickelten Quijote-Simulationssuite zeigten, wobei jedes Universum mit unterschiedlichen Werten für die kosmologischen Parameter erstellt wurde. Die Forscher ließen die 2.000 Universen sogar wie Daten erscheinen, die von Galaxiendurchmusterungen generiert wurden – einschließlich Fehlern in der Atmosphäre und den Teleskopen selbst –, um das Modell realistisch zu üben.

„Das ist eine große Zahl an Simulationen, aber es ist eine überschaubare Menge“, sagt Hahn. „Ohne maschinelles Lernen bräuchte man Hunderttausende.“

Durch die Aufnahme der Simulationen lernte das Modell im Laufe der Zeit, wie die Werte der kosmologischen Parameter mit kleinräumigen Unterschieden in der Galaxienanordnung korrelieren, etwa mit der Entfernung zwischen einzelnen Galaxienpaaren. SimBIG lernte auch, wie man Informationen aus der Anordnung der Galaxien im Universum im Gesamtbild gewinnt, indem es drei oder mehr Galaxien gleichzeitig betrachtete und die zwischen ihnen gebildeten Formen analysierte, etwa lange, gestreckte Dreiecke oder gedrungene gleichseitige Dreiecke.

Nachdem das Modell trainiert war, präsentierten die Forscher ihm 109.636 reale Galaxien, gemessen mit dem Spektroskopische Untersuchung der Baryonenoszillation. Wie sie erhofft hatten, nutzte das Modell klein- und großräumige Details in den Daten, um die Genauigkeit seiner Schätzungen der kosmologischen Parameter zu steigern. Diese Schätzungen waren so präzise, ​​dass sie einer herkömmlichen Analyse mit etwa viermal so vielen Galaxien entsprachen.

Das ist wichtig, sagt Ho, denn das Universum hat nur eine begrenzte Anzahl von Galaxien. Indem SimBIG mit weniger Daten eine höhere Präzision erreicht, kann es die Grenzen des Möglichen verschieben.

Eine spannende Anwendung dieser Präzision, sagt Hahn, wird die kosmologische Krise sein, die als Hubble-Spannung bekannt ist. Die Spannung entsteht durch nicht übereinstimmende Schätzungen der Hubble-Konstante, die beschreibt, wie schnell sich alles im Universum ausbreitet.

Um die Hubble-Konstante berechnen zu können, muss man die Größe des Universums mit Hilfe „kosmischer Lineale“ schätzen. Schätzungen, die auf der Entfernung zu explodierenden Sternen (sogenannten Supernovas) in weit entfernten Galaxien basieren, sind etwa 10 Prozent höher als jene, die auf der Abfolge der Schwankungen im ältesten Licht des Universums basieren.

Neue Untersuchungen, die in den nächsten Jahren online gehen, werden mehr von der Geschichte des Universums erfassen. Die Kombination der Daten aus diesen Untersuchungen mit SimBIG wird das Ausmaß der Hubble-Spannung besser enthüllen und zeigen, ob die Diskrepanz behoben werden kann oder ob sie ein überarbeitetes Modell des Universums erfordert, sagt Hahn. „Wenn wir die Mengen sehr genau messen und mit Sicherheit sagen können, dass eine Spannung vorliegt, könnte dies neue Erkenntnisse über die Physik der Dunklen Energie und der Ausdehnung des Universums liefern“, sagt er.

Hahn, Ho und Parker arbeiteten an der Studie zusammen mit Michael Eickenberg vom Center for Computational Mathematics (CCM) des Flatiron Institute, Pablo Lemos vom CCA, Chirag Modi vom CCA und CCM, Bruno Régaldo-Saint Blancard vom CCM, David Spergel, Präsident der Simons Foundation, Jiamin Hou von der University of Florida, Elena Massara von der University of Waterloo und Azadeh Moradinezhad Dizgah von der Universität Genf.