Нужна всего одна галактика. Ученые придумали революционный способ исследовать Вселенную

О своем открытии исследователи подробно рассказывают в статье, которая сейчас доступна на сервере препринтов arXiv и проходит научную проверку перед публикацией в научном журнале. НВ выбрал самое интересное из материала Quanta Magazine, который рассказал интересные детали работы ученых.

Франсиско Виллаескуза-Наварро, астрофизик из Института Флэтайрон в Нью-Йорке, дал задание одному из своих студентов — Юпитеру Дину из Принстонского университета — построить нейросеть, которая сможет подсчитать некоторые космологические характеристики, исходя из определенных свойств галактики.

Однако затем они заметили, что компьютер начал подсчитывать общую плотность материи. Это было странно, ведь такой задачи никто не ставил.

Тогда исследователи решили «скормить» нейросети 2 тыс. цифровых вселенных, созданных в рамках проекта CAMELS, в которых существовало около миллиона цифровых галактик. Каждая вселенная отличалась от остальных в том числе и по составу  — в каких-то количество материи составляло всего 5%, в то время, как остальная часть состояла из темной материи и темной энергии; в других обычная материя составляла около 50%. Также в этих Вселенных «взрывались» сверхновые звезды и существовали сверхмассивные черные дыры с разной степенью активности.

Дин выполнял роль Бога — он знал размер, состав, массу и множество других характеристик каждой из миллиона галактик. Своей главной задачей он считал поиск связи в этих характеристиках. К примеру, со временем алгоритм научился предсказывать, в какой галактике плотность материи будет достигать 10%.

Ученые удивились работе нейросети, ведь галактики — это достаточно хаотичные и труднопредсказуемые системы: какие-то формируются достаточно быстро и затем практически не взаимодействуют с окружающими космическими объектами; другие формируются путем слияний с соседями, поедая звезды и карликовые галактики. Исследователи потратили полгода, чтобы понять, как именно алгоритм стал таким, каким стал. Вильяэскуза-Наварро объясняет это тем, что нейросети «очень мощные, но ленивые» — то есть, компьютер мог научиться выводить значение плотности материи не анализируя галактики, а воспользовавшись какой-нибудь ошибкой или «подсказкой» в моделировании.

И здесь начинается самое интересное. Проведя серию различных экспериментов, исследователи поняли, как алгоритм определяет космическую плотность. В общем на этот показатель влияло 17 различных свойств.

Самым главным показателем оказалась скорость вращения галактики — чем быстрее крутится галактика, тем больше материи сосредотачивается в ее центре. Если во вселенной много темной материи, галактики будут тяжелее, что приведет к более быстрому вращению.

Однако алгоритм обладает серьезным козырем перед человеческой интерпретацией данных. Он может определить лишь несколько свойств, и на основе этих данных вывести определенную тенденцию, которая окажется верной.

Исследователи пришли к выводу, что в теории мы можем изучить Млечный Путь и соседние галактики, чтобы получить более точные данные о количестве материи в нашей Вселенной. Вильяэскуза-Наварро считает, что работу нейросети можно улучшить и получить решения других космических загадок вроде скорости расширения Вселенной.

Однако о практическом использовании нейросети говорить пока рано. Дело в том, что проект CAMELS моделирует Вселенные, используя два разных подхода, а нейросеть не может адаптироваться к двум моделям одновременно, безошибочно работая с одним типом симуляций и ошибаясь с другим. Получается, компьютер подходит к решению задач только с одной стороны, и, чтобы адаптироваться к другим моделям, ему нужно работать с нуля. Поэтому адаптироваться к Млечному Пути и другим галактикам, которые работают по реальным законам физики нейросети будет достаточно сложно.

Тем не менее, Вильяэскуза-Наварро отмечает, что даже сейчас нейронная сеть может отыграть важную роль в будущих исследованиях. Ее работа с моделями вселенных показала, что реальный космос может действительно иметь подобную связь между большими и (относительно) маленькими объектами — важно лишь понимать, куда и как смотреть.