Punktgenaue Simulationen bieten einen Einblick in die Universumsstruktur

Das Universum ist übersät mit Galaxien, die in großen Maßstäben ein Fadenmuster aufweisen, das als kosmisches Netz bezeichnet wird. Diese heterogene Verteilung von kosmischem Material ist in gewisser Weise wie Blaubeeren in einem Muffin, wo sich Material in bestimmten Bereichen ansammelt, aber in anderen fehlen kann.

Basierend auf einer Reihe von Simulationen haben Forscher damit begonnen, die heterogene Struktur des Universums zu untersuchen, indem sie die Verteilung von Galaxien als eine Ansammlung von Punkten behandeln – wie die einzelnen Materieteilchen, aus denen ein Material besteht – und nicht als kontinuierliche Verteilung. Diese Technik hat die Anwendung der für die Materialwissenschaften entwickelten Mathematik ermöglicht, um die relative Unordnung des Universums zu quantifizieren und ein besseres Verständnis seiner grundlegenden Struktur zu ermöglichen.

„Wir haben herausgefunden, dass sich die Verteilung von Galaxien im Universum deutlich von den physikalischen Eigenschaften herkömmlicher Materialien unterscheidet und ihre eigene, einzigartige Signatur hat“, erklärt Oliver Philcox, ein Co-Autor der Studie.

Diese Arbeit, jetzt erschienen in Körperliche Überprüfung X, wurde von Salvatore Torquato, häufiges Mitglied und Besucher am Institute for Advanced Study und Lewis-Bernard-Professor für Naturwissenschaften an den Fakultäten für Chemie und Physik der Princeton University, durchgeführt; und Oliver Philcox ein Gast-Ph.D. Student am Institut von September 2020 bis August 2022, jetzt Junior Fellow in der Simons Society of Fellows, beherbergt an der Columbia University.

Das Paar analysierte öffentliche Simulationsdaten, die von der Princeton University und dem Flatiron Institute generiert wurden. Jede der 1.000 Simulationen besteht aus einer Milliarde „Teilchen“ aus dunkler Materie, deren durch Gravitationsentwicklung gebildete Haufen als Stellvertreter für Galaxien dienen.

Eines der Hauptergebnisse der Arbeit betrifft die Korrelationen von Galaxienpaaren, die mittels der Pair-Connectedness-Funktion topologisch miteinander verbunden sind. Auf dieser Grundlage – und der Reihe anderer Deskriptoren, die in der Theorie der heterogenen Medien auftauchen – zeigte das Forschungsteam, dass sich das Universum auf den größten Skalen (in der Größenordnung von mehreren hundert Megaparsec) einer Hyperuniformität nähert, während auf kleineren Skalen (bis zu 10 Megaparsec) wird es fast antihyperuniform und stark inhomogen.

„Der wahrgenommene Wechsel zwischen Ordnung und Unordnung hängt weitgehend vom Ausmaß ab“, sagte Torquato. „Die pointillistische Technik von Georges Seurat in dem Gemälde A Sunday on La Grande Jatte erzeugt einen ähnlichen visuellen Effekt; das Werk erscheint aus der Nähe ungeordnet und aus der Ferne sehr geordnet. In Bezug auf das Universum ist der Grad der Ordnung und Unordnung subtiler, wie bei einem Rorschach-Tintenkleckstest, der auf unendlich viele Arten interpretiert werden kann.

Statistische Werkzeuge, insbesondere Verteilungen des nächsten Nachbarn, Clustering-Diagnostik, Poisson-Verteilungen, Perkolationsschwellenwerte und die Paarverbundenheitsfunktion, ermöglichten es den Forschern, einen konsistenten und objektiven Rahmen für die Messung der Ordnung zu entwickeln. Daher lassen sich ihre Erkenntnisse, obwohl sie in einem kosmologischen Kontext gemacht wurden, auf eine Reihe anderer dynamischer, physikalischer Systeme übertragen.

Diese interdisziplinäre Arbeit, die Techniken der Kosmologie und der Physik der kondensierten Materie kombiniert, hat zukünftige Auswirkungen auf beide Bereiche. Neben der Verteilung von Galaxien können mit diesen Werkzeugen viele andere Merkmale des Universums erforscht werden, darunter kosmische Hohlräume und die ionisierten Wasserstoffblasen, die sich während der Reionisierungsphase des Universums gebildet haben.

Umgekehrt könnten die neuartigen Phänomene, die über das Universum entdeckt wurden, auch Einblicke in verschiedene materielle Systeme auf der Erde geben. Das Team erkennt an, dass weitere Arbeit erforderlich sein wird, bevor diese Techniken auf echte Daten angewendet werden können, aber diese Arbeit liefert einen starken Proof-of-Concept mit erheblichem Potenzial.