Một Thiên Hà Đơn Lẻ Tiết Lộ Bản Chất của Toàn Bộ Vũ Trụ

Một nhóm các nhà khoa học có thể đã tình cờ phát hiện ra một cách mới mẻ để thực hiện vũ trụ học.

Thường xuyên, vũ trụ học xác định thành phần của vũ trụ bằng cách quan sát càng nhiều nơi của nó càng tốt. Nhưng những nhà nghiên cứu này đã phát hiện ra rằng một thuật toán học máy có thể nghiên cứu kỹ một thiên hà mô phỏng duy nhất và dự đoán cấu trúc tổng thể của vũ trụ số trong đó nó tồn tại—một chiến công tương đương với việc phân tích một hạt cát ngẫu nhiên dưới kính hiển vi và suy luận khối lượng của Châu Á. Máy móc dường như đã tìm thấy một mô hình có thể một ngày nào đó giúp các nhà thiên văn rút ra những kết luận toàn diện về vũ trụ thực chỉ bằng cách nghiên cứu các khối xây dựng nguyên tố của nó.

“Đây là một ý tưởng hoàn toàn khác biệt,” nói Francisco Villaescusa-Navarro, một nhà vật lý thiên văn lý thuyết tại Viện Flatiron ở New York và là tác giả chính của công việc. “Thay vì đo lường hàng triệu thiên hà này, bạn chỉ cần lấy một cái. Thật tuyệt vời khi điều này hoạt động.”

Nó không được dự kiến. Phát hiện không tưởng phát sinh từ một bài tập mà Villaescusa-Navarro giao cho Jupiter Ding, một sinh viên đại học Princeton: Xây dựng một mạng nơ-ron mà, biết các thuộc tính của một thiên hà, có thể ước lượng một vài đặc điểm vũ trụ học. Nhiệm vụ chỉ đơn giản là để Ding làm quen với học máy. Sau đó, họ nhận ra rằng máy tính đang đoán đúng tỷ trọng mật độ tổng thể của vật chất.

“Tôi nghĩ sinh viên đã mắc một lỗi,” Villaescusa-Navarro nói. “Thật khó tin một chút, thành thật mà nói.”

Kết quả của cuộc điều tra sau đó xuất hiện trong một bản thảo trước ngày 6 tháng 1 đã được nộp để xuất bản. Các nhà nghiên cứu đã phân tích 2,000 vũ trụ số được tạo ra bởi dự án Mô phỏng Vũ trụ và Thiên văn với Học máy (CAMELS). Các vũ trụ này có một loạt các thành phần, chứa từ 10% đến 50% chất với phần còn lại được tạo thành từ năng lượng tối tăm, đẩy vũ trụ mở rộng nhanh chóng hơn và hơn. (Vũ trụ thực tế của chúng ta bao gồm khoảng một phần ba chất và tối tăm hiển thị và hai phần ba năng lượng tối tăm.) Khi mô phỏng chạy, chất tối tăm và chất hiển thị quay chung lại thành các thiên hà. Các mô phỏng cũng bao gồm các xử lý thô về các sự kiện phức tạp như siêu tân tinh và tia từ các lỗ đen siêu khổng lồ.

Mạng nơ-ron của Ding nghiên cứu gần 1 triệu thiên hà được mô phỏng trong những vũ trụ số đa dạng này. Từ góc nhìn siêu năng lực của nó, nó biết kích thước, thành phần, khối lượng của mỗi thiên hà và hơn một chục đặc điểm khác. Nó cố gắng liên kết danh sách số này với mật độ của vật chất trong vũ trụ cha mẹ.

Nó thành công. Khi được kiểm tra trên hàng ngàn thiên hà mới từ hàng chục vũ trụ mà nó trước đó chưa xem xét, mạng nơ-ron có thể dự đoán mật độ vật chất vũ trụ với độ chính xác tới 10%. “Không quan trọng thiên hà nào bạn đang xem xét,” Villaescusa-Navarro nói. “Không ai tưởng tượng được điều này là có thể.”

“Việc một thiên hà có thể đạt được [mật độ đến] 10% chẳng phải là điều làm ngạc nhiên đối với tôi,” nói Volker Springel, một chuyên gia về mô phỏng hình thành thiên hà tại Viện Max Planck cho Vật lý Thiên văn, người không tham gia vào nghiên cứu.

Hiệu suất của thuật toán làm ngạc nhiên các nhà nghiên cứu vì thiên hà là những đối tượng inherently hỗn loạn. Một số hình thành một lần, và một số khác phát triển bằng cách ăn cả hàng xóm của chúng. Thiên hà khổng lồ thì thường giữ chặt chất của mình, trong khi siêu tân tinh và lỗ đen trong thiên hà lùn có thể đẩy phần lớn chất hiển thị của chúng. Tuy nhiên, mỗi thiên hà đều đã nào đó giữ cho mật độ tổng thể của vật chất trong vũ trụ của mình.

Một cách diễn giải là “rằng vũ trụ và/hoặc các thiên hà ở một số khía cạnh đơn giản hóa hơn chúng ta tưởng,” nói Pauline Barmby, một nhà thiên văn học tại Đại học Western ở Ontario. Một cách diễn giải khác là các mô phỏng có những khuyết điểm chưa được nhận ra.

Đội ngũ đã dành một nửa năm để hiểu làm thế nào mạng nơ-ron đã trở nên thông minh đến vậy. Họ kiểm tra để đảm bảo thuật toán không chỉ tìm cách suy luận mật độ từ việc mã hóa của mô phỏng mà không cần đến thiên hà. “Mạng nơ-ron rất mạnh mẽ, nhưng chúng cũng rất lười biếng,” Villaescusa-Navarro nói.

Qua một loạt các thí nghiệm, các nhà nghiên cứu đã hiểu được cách thuật toán đang suy đoán mật độ vũ trụ. Bằng cách lặp lại việc huấn luyện lại mạng trong khi một cách hệ thống che giấu các đặc tính thiên hà khác nhau, họ xác định được những đặc điểm quan trọng nhất.

Gần đầu danh sách là một đặc tính liên quan đến tốc độ quay của một thiên hà, tương ứng với lượng chất (bóng tối và khác) đặt ở khu vực trung tâm của thiên hà. Phát hiện này tương ứng với trực giác vật lý, theo Springel. Trong một vũ trụ đầy ắp chất bóng tối, bạn sẽ mong đợi các thiên hà trở nên nặng hơn và quay nhanh hơn. Vì vậy, bạn có thể đoán rằng tốc độ quay sẽ tương quan với mật độ chất vật chất, tuy nhiên mối quan hệ này một mình quá đơn giản để có nhiều sức mạnh dự đoán.

Mạng nơ-ron đã tìm ra một mối quan hệ chính xác và phức tạp hơn giữa khoảng 17 đặc tính thiên hà và mật độ chất. Mối quan hệ này vẫn tồn tại dù có sự sáp nhập của các thiên hà, các vụ nổ sao và các sự phun trào của lỗ đen. “Một khi bạn đạt được hơn [hai đặc tính], bạn không thể vẽ biểu đồ và nhìn vào đó bằng mắt và nhìn thấy xu hướng, nhưng một mạng nơ-ron có thể,” Shaun Hotchkiss, một nhà thiên văn học tại Đại học Auckland ở New Zealand, nói.

Trong khi sự thành công của thuật toán đặt ra câu hỏi về việc bao nhiêu đặc điểm của vũ trụ có thể được rút ra từ một nghiên cứu kỹ lưỡng của chỉ một thiên hà, các nhà thiên văn học nghi ngờ rằng các ứng dụng thực tế sẽ bị hạn chế. Khi nhóm của Villaescusa-Navarro kiểm tra mạng nơ-ron của họ trên một thuộc tính khác—độ rối lên của vũ trụ—nó không tìm thấy mẫu. Và Springel dự đoán rằng các thuộc tính thiên văn học khác, như sự mở rộng gia tốc của vũ trụ do năng lượng tối tăm, có ít ảnh hưởng đến các thiên hà cá thể.

Nghiên cứu cho thấy, lý thuyết, một nghiên cứu toàn diện về Dải Ngân Hà và có thể một số thiên hà gần đó khác có thể cho phép đo lường vô cùng chính xác về chất của vũ trụ chúng ta. Một thử nghiệm như vậy, Villaescusa-Navarro nói, có thể đưa ra gợi ý về các con số khác có tầm quan trọng về vũ trụ như tổng khối lượng chưa biết của ba loại neutrino của vũ trụ.

Nhưng trong thực tế, kỹ thuật sẽ cần vượt qua một điểm yếu lớn trước. Hợp tác CAMELS nấu nướng vũ trụ của mình bằng hai công thức khác nhau. Một mạng nơ-ron được đào tạo trên một công thức tạo ra những đoán mật độ tồi tệ khi cho thiên hà được nấu theo công thức khác. Sự thất bại trong việc dự đoán chéo cho thấy mạng nơ-ron đang tìm ra những giải pháp duy nhất cho các quy tắc của mỗi công thức. Nó chắc chắn sẽ không biết phải làm gì với Dải Ngân Hà, một thiên hà được hình thành bởi các luật vật lý thực sự. Trước khi áp dụng kỹ thuật vào thế giới thực, các nhà nghiên cứu sẽ cần làm cho các mô phỏng trở nên thực tế hơn hoặc áp dụng các kỹ thuật học máy tổng quát hơn—một công việc khó khăn.

“Tôi rất ấn tượng với các khả năng này, nhưng người ta cần tránh bị quá cuốn theo,” Springel nói.

Nhưng Villaescusa-Navarro tin rằng mạng nơ-ron đã có thể tìm ra các mô hình trong các thiên hà lộn xộn của hai mô phỏng độc lập. Phát hiện số liệu số hóa tăng cơ hội rằng vũ trụ thực sự có thể đang giấu một liên kết tương tự giữa lớn và nhỏ.

“Đó là một điều rất đẹp,” ông nói. “Nó thiết lập một kết nối giữa toàn bộ vũ trụ và một thiên hà duy nhất.”

Ghi chú của biên tập: Một số tác giả trong nghiên cứu này có liên kết với Viện Flatiron, một tổ chức khoa học được tài trợ bởi Quỹ Simons, người cũng tài trợ cho tạp chí độc lập biên tập này. Một tác giả khác là David Spergel, chủ tịch của Quỹ Simons. Quyết định tài trợ của Quỹ Simons không ảnh hưởng đến bài viết của chúng tôi.

Bài viết gốc được tái bản với sự cho phép từ Quanta Magazine, một tờ báo độc lập biên tập của Simons Foundation có nhiệm vụ tăng cường sự hiểu biết của công chúng về khoa học bằng cách đưa ra các phát triển nghiên cứu và xu hướng trong toán học và các ngành khoa học tự nhiên và sinh học.

Những câu chuyện tuyệt vời khác của MYTOUR

• 📩 Những thông tin mới nhất về công nghệ, khoa học và nhiều hơn nữa: Đăng ký nhận bản tin của chúng tôi!
• Lái xe khi đã hút chất kích thích? Bên trong hành trình công nghệ cao để tìm hiểu
• Bạn (có thể) cần có bằng sáng chế cho con voi tóc dày đó
• AI của Sony lái một chiếc xe đua như một nhà vô địch
• Cách bán chiếc đồng hồ thông minh hoặc máy đo sức khỏe cũ của bạn
• Tiền điện tử đang tài trợ cho quốc phòng Ukraine và hacktivists
• 👁️ Khám phá AI như chưa bao giờ với cơ sở dữ liệu mới của chúng tôi
• 🏃🏽‍♀️ Bạn muốn có những công cụ tốt nhất để trở nên khỏe mạnh? Kiểm tra những lựa chọn của đội Gear của chúng tôi cho những chiếc đồ theo dõi sức khỏe tốt nhất, đồ trang bị chạy bộ (bao gồm giày và tất), và tai nghe tốt nhất