Наблюдение, моделирование и искусственный интеллект объединяют усилия для открытия чистой Вселенной

После обширного обучения и тестирования больших макетов данных, созданных с помощью суперкомпьютерного моделирования, они применили новый инструмент к фактическим данным, полученным с японского телескопа Subaru, и обнаружили, что распределение масс, полученное с помощью этого метода, согласуется с принятыми в настоящее время моделями Вселенной. Это новый мощный инструмент для анализа больших данных из текущих и запланированных астрономических исследований.

Данные обширных исследований могут быть использованы для изучения крупномасштабной структуры Вселенной с помощью измерений моделей гравитационного линзирования. При гравитационном линзировании гравитация объекта переднего плана, такого как скопление галактик, может искажать изображение фонового объекта, например более далекой галактики. Некоторые примеры гравитационного линзирования очевидны, например, «Глаз Гора». Крупномасштабная структура, состоящая в основном из загадочной «темной» материи, также может искажать формы далеких галактик, но ожидаемый эффект линзирования неуловим. Для создания карты распределения темной материи на переднем плане требуется усреднение по множеству галактик в определенной области.

Но этот метод просмотра изображений многих галактик сталкивается с проблемой; некоторые галактики выглядят немного забавно. Трудно отличить изображение галактики, искаженное гравитационным линзированием, от галактики, которая действительно искажена. Это называется шумом формы и является одним из ограничивающих факторов в исследованиях крупномасштабной структуры Вселенной.

Чтобы компенсировать шум формы, группа японских астрономов впервые использовала ATERUI II - самый мощный в мире суперкомпьютер, посвященный астрономии, для создания 25 000 фиктивных каталогов галактик на основе реальных данных телескопа Subaru. Затем добавили реалистичный шум к хорошо известным наборам искусственных данных и обучили ИИ статистическому извлечению линзирующей темной материи из ложных данных.

После обучения ИИ смог восстановить ранее невидимые мелкие детали, помогая улучшить наше понимание космической темной материи. Затем, используя ИИ на реальных данных, покрывающих 21 квадратный градус неба, команда нашла распределение массы переднего плана, соответствующее стандартной космологической модели.

«Это исследование показывает преимущества объединения различных типов исследований: наблюдений, моделирования и анализа данных искусственного интеллекта», - говорит Масато Ширасаки. «В эту эпоху больших данных нам необходимо пересечь традиционные границы между специальностями и использовать все доступные инструменты, чтобы понять данные. Если мы сможем это сделать, это откроет новые области в астрономии и других науках».