伦敦大学学院领导的研究小组利用人工智能(AI)技术，从过去70亿年宇宙中暗物质和可见物质的地图中更精确地推断出暗能量的影响和特性。

使用人工智能更精确地了解暗能量

该研究由暗能量调查合作组织进行，已提交给《皇家天文学会月刊》并可在arXiv预印本服务器上获取。研究人员将从地图推断宇宙关键特征(包括暗能量的总体密度)的精度提高了一倍。

这种精度的提高使研究人员能够排除以前可以想象的宇宙模型。

暗能量是一种加速宇宙膨胀的神秘力量，被认为约占宇宙成分的70%(其中暗物质、引力牵引星系的不可见物质占25%，普通物质仅占5%))。

主要作者NiallJeffrey博士(伦敦大学学院物理与天文学)表示：“利用人工智能从计算机模拟的宇宙中学习，我们将宇宙关键属性的估计精度提高了两倍。

“如果没有这些新技术，要实现这一改进，我们将需要四倍的数据量。这相当于绘制另外3亿个星系的地图。”

合著者LorneWhiteway博士(伦敦大学学院物理与天文学)表示：“我们的发现与目前对暗能量作为‘宇宙学常数’的最佳预测一致，其值不随空间或时间而变化。然而，它们也允许不同的解释是否正确的灵活性。例如，我们的引力理论仍然可能是错误的。”

与之前对2021年首次发布的暗能量巡天地图的分析一致，研究结果表明，宇宙中的物质比爱因斯坦广义相对论所预测的更平滑地扩散，而不是那么块状。然而，与早期的分析相比，本研究的差异不太显着，因为误差线更大。

暗能量巡天图是通过一种称为弱引力透镜的方法获得的，也就是说，观察来自遥远星系的光在到达地球的途中如何被中间物质的引力弯曲。

该合作分析了1亿个星系形状的扭曲，以推断这些星系前景中所有物质(包括暗物质和可见物质)的分布。由此产生的地图覆盖了南半球四分之一的天空。

在这项新研究中，研究人员使用英国政府资助的超级计算机根据暗能量调查物质图的数据对不同的宇宙进行模拟。每个模拟都有不同的宇宙数学模型作为基础。

研究人员根据每个模拟创建了物质图。使用机器学习模型来提取这些地图中与宇宙学模型相关的信息。第二个机器学习工具从具有不同宇宙学模型的模拟宇宙的许多例子中学习，查看真实观测到的数据，并给出任何宇宙学模型是我们宇宙的真实模型的可能性。

这项新技术使研究人员能够使用比以前的方法更多的地图信息。模拟在DiRAC高性能计算(HPC)设施上运行。

黑暗宇宙项目的下一阶段——包括去年夏天启动的欧洲航天局欧几里德任务——将大大增加我们所掌握的关于宇宙大尺度结构的数据量，帮助研究人员确定宇宙是否意外的平滑。宇宙是当前宇宙学模型错误或是否有其他解释的标志。

目前，这种平滑度与基于宇宙微波背景(CMB)(大爆炸留下的光)分析的预测不一致。

暗能量调查合作项目由伦敦大学学院作为创始成员之一，由美国能源部费米国家加速器实验室(Fermilab)主办，涉及来自七个国家25个机构的400多名科学家。

此次合作使用570兆像素暗能量相机(世界上最强大的数码相机之一)在六年(2013年至2019年)内拍摄的夜空照片，对数亿个星系进行了编目。该相机的光学校正器是在伦敦大学学院制造的，安装在美国国家科学基金会位于智利的托洛洛山美洲天文台的望远镜上。