人工智能发现称重星系团的秘密方程式

高级研究所、熨斗研究所的天体物理学家及其同事利用人工智能发现了一种更好的方法来估计巨大星系团的质量。AI 发现，只需在现有方程式中添加一个简单的项，科学家就可以得出比以前更好的质量估计值。

天体物理学家在 2023 年 3 月 17 日的《美国国家科学院院刊》上报告说，改进后的估计将使科学家能够更准确地计算宇宙的基本属性。

“这很简单;这就是它的美妙之处。“虽然很简单，但以前没有人发现过这个词。人们已经为此研究了几十年，但他们仍然无法找到它。”

这项工作由新泽西州普林斯顿高级研究所的 Digvijay Wadekar 以及来自 CCA、普林斯顿大学、康奈尔大学和天体物理中心的研究人员共同领导。哈佛和史密森尼。

了解宇宙需要知道那里有多少东西。星系团是宇宙中质量最大的物体：一个星系团可以包含数百到数千个星系，以及等离子体、热气体和暗物质。星团的引力将这些成分结合在一起。了解这样的星系团对于确定宇宙的起源和持续演化至关重要。

也许决定星系团性质的最关键的量是它的总质量。但是测量这个数量是困难的——星系不能通过将它们放在天平上来“称重”。问题变得更加复杂，因为构成星团大部分质量的暗物质是不可见的。相反，科学家们从其他可观察到的量中推断出星团的质量。

1970 年代初，高级研究所自然科学学院现任杰出客座教授 Rashid Sunyaev 和他的合作者 Yakov B. Zel'dovich 开发了一种估计星系团质量的新方法。他们的方法依赖于这样一个事实，即当引力将物质挤压在一起时，物质的电子会向后推。电子压力会改变电子与称为光子的光粒子的相互作用方式。当大爆炸余辉留下的光子撞击被挤压的材料时，相互作用会产生新的光子。这些光子的特性取决于重力压缩材料的强度，而这又取决于星系团的重量。通过测量光子，天体物理学家可以估计星团的质量。

然而，这种“综合电子压力”并不是质量的完美代表，因为光子特性的变化因星系团而异。Wadekar 和他的同事们认为一种叫做“符号回归”的人工智能工具可能会找到更好的方法。该工具实质上是尝试不同变量的数学运算符组合(例如加法和减法)，以查看哪种方程式与数据最匹配。

Wadekar 和他的合作者为他们的 AI 程序“提供”了一个包含许多星系团的最先进的宇宙模拟。接下来，他们的程序(由 CCA 研究员 Miles Cranmer 编写)搜索并确定了可能使质量估计更准确的其他变量。

人工智能可用于识别人类分析师可能忽略的新参数组合。例如，虽然人类分析师很容易识别数据集中的两个重要参数，但人工智能可以更好地解析大量数据，通常会揭示意想不到的影响因素。

“现在，很多机器学习社区都专注于深度神经网络，”Wadekar 解释道。“这些非常强大，但缺点是它们几乎就像一个黑盒子。我们无法理解他们身上发生的事情。在物理学中，如果某事给出了好的结果，我们想知道它为什么会这样。符号回归是有益的，因为它搜索给定的数据集并以您可以理解的简单方程的形式生成简单的数学表达式。它提供了一个易于解释的模型。”

研究人员的符号回归程序为他们提供了一个新方程，通过在现有方程中添加一个新项，该方程能够更好地预测星系团的质量。Wadekar 和他的合作者随后根据这个 AI 生成的方程式进行逆向计算，并找到了物理解释。他们意识到气体浓度与质量推断不太可靠的星系团区域相关，例如超大质量黑洞潜伏的星系核心。他们的新方程式通过淡化那些复杂核心在计算中的重要性来改进质量推断。从某种意义上说，星系团就像一个球形甜甜圈。新方程提取了甜甜圈中心的果冻，这会引入更大的误差，

研究人员在来自CCA 的 CAMELS 套件的数千个模拟宇宙中测试了 AI 发现的方程。他们发现，与目前使用的方程相比，该方程将大型星系团的星系团质量估计的可变性降低了大约 20% 到 30%。

新方程可以让从事即将进行的星系团调查的观测天文学家更好地了解他们观测到的物体的质量。Wadekar 指出：“在不久的将来，有很多计划针对星系团进行调查。” “例子包括西蒙斯天文台、第 4 阶段 CMB 实验和名为 eROSITA 的 X 射线测量。新方程式可以帮助我们从这些调查中获得最大的科学回报。”

Wadekar 还希望这篇文章只是在天体物理学中使用符号回归的冰山一角。“我们认为符号回归非常适用于回答许多天体物理学问题，”他说。“在天文学的很多情况下，人们会在两个参数之间进行线性拟合，而忽略其他一切。但如今，有了这些工具，您可以走得更远。符号回归和其他人工智能工具可以帮助我们以各种不同的方式超越现有的双参数幂律，从研究像系外行星这样的小型天体物理系统，到宇宙中最大的星系团。”

标签：

免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！