هوش مصنوعی ساختار کیهان را پیش‌بینی کرد

MacTavish · 19/2/20

چگونگی ایجاد خلاء و رشته‌ها توسط جهان را می‌توان اکنون به لطف توسعه یک ابزار هوش مصنوعی موسوم به شبیه‌ساز تاریک(Dark Emulator) مورد مطالعه قرار داد.

عکس ۱: شیوه جمع‌شدنِ کهکشان‌ها در کیهان در این عکس به وضوح نشان داده شده است. محققان برای تهیه این عکس از پروژه عکس‌برداری «SDSS» استفاده کردند. نقاط زرد نشان‌دهنده موقعیت تک‌تک کهکشان‌ها است، اما حلقه نارنجی‌رنگ آن منطقه از کیهان را به تصویر می‌کِشد که یک میلیارد سال نوری گستردگی دارد. زمین در مرکز عکس قرار دارد و یک نقشه سه‌بعدی اطراف آن وجود دارد که محل حضور کهکشان‌های مختلف است. در این عکس می‌توان مشاهده کرد که کهکشان‌ها به طور یکنواخت در سرتاسر جهان پراکنده نشده‌اند و اینکه کهکشان‌ها چگونه با یکدیگر خوشه‌ها را به وجود می‌آورند. اعتبار عکس: سونیکو کاتو

به گزارش بیگ بنگ، پیشرفت تلسکوپ‌ها این فرصت را در اختیار محققان قرار دادند تا کیهان را با جزئیات بیشتری مطالعه نموده و یک مدل کیهان‌شناسی استاندارد ارائه کنند که بطور همزمان حقایقِ مبتنی بر مشاهدات را تبیین می‌کند. بخش اعظم کیهان از ماده تاریک و انرژی تاریک ساخته شده و تاکنون هیچ‌کس قادر به شناسایی هویت دقیق آنها نشده است. یکی از روش‌های نویدبخش برای حل این قبیل از رازها، استناد به ساختار کیهان است.

کیهان امروز از رشته‎هایی تشکیل یافته که طی آن، کهکشان‌ها به طور خوشه کنار همدیگر گِرد آمده و از دور به ریسمان شباهت دارند. البته نقاط تهی یا خلاء هم وجود دارند که گویی هیچ چیزی در آنها نیست (به عکس شماره ۱ مراجعه شود). کشف پس‌زمینه ریزموج کیهانی این فرصت را به محققان داده تا ببینند کیهان در آغاز چگونه بوده و از چه ویژگی‌هایی برخوردار بود. درک ویژگی‌ها و فیزیک کیهان می‌تواند به محققان کمک نماید تا سرنخ‌های ارزشمندی را دربارۀ ماهیت ماده تاریک و انرژی تاریک به دست بیاورند.

تیمی از محققان از موسسه فیزیک نظری دانشگاه یوکاوا در کیوتو (استادیار تاکاهیرو نیشمیچی) و موسسه فیزیک و ریاضی کاولی (ماساهیرو تاکادا) از سریع‎ترین ابررایانه‌های شبیه‌سازی اخترفیزیکی موسوم به «ATERUI» و «ATERUI II» استفاده کردند تا ابزار «Dark Emulator» را بسازند. استفاده از این ابزار به همراه داده‌های جمع‌آوری شده توسط بزرگ‌ترین پروژه‌های مشاهداتی جهان این امکان را در اختیار محققان می‌گذارد تا احتمالاتِ مربوط به منشاء ساختارهای کیهانی و چگونگی تغییر توزیع ماده تاریک در طی زمان را مطالعه کنند.

عکس ۲: طرح مفهومی ابزار «Dark Emulator». سمت چپ: مثالی از کیهان مجازی که با ابررایانه «ATERUI» ساخته شده است. در این مثال، توزیعِ تقریباً ۱۰ میلیارد ذره را در حجمی مشمول بر ۴.۹ میلیارد سال نوری مشاهده می‌کنید که تا به امروز تکامل یافته است. تهیه این نمونه با استفاده از ۸۰۰ هسته پردازنده در «ATERUI» به دو روز زمان نیاز دارد. مرکزی: معماری «Dark Emulator». این ابزار تطابق میان پارامترهای اساسی کیهان‌شناسی را که در آغاز شبیه‎سازی به کار گرفته شد و پیامد آن را بر اساس معماری یادگیری ماشینی فرامی‌گیرد. در همین راستا، روش‌های آماری متعددی مورد استفاده قرار می‌گیرند. این ماشین می‌تواند پس از آموزش به طور دقیق سیگنال‌های مشاهده‌ای مورد انتظار را در مجموعه تازه‌ای از پارامترهای کیهان‌شناسی پیش‌بینی کند؛ بدون اینکه شبیه‌سازی تازه‌ای انجام دهد.

محقق و نویسنده اصلی «تاکاهیرو نیشمیچی» بیان کرد: «ما یک پایگاه داده فوق‌العاده بزرگ با استفاده از یک ابررایانه ساختیم. ما برای اتمام آن به سه سال زمان نیاز داشتیم، اما حالا می‌توانیم این پایگاه داده را روی لپ‌تاپ و در عرض چند ثانیه بسازیم. من احساس می‌کنم علم داده‌پردازی می‌تواند قابلیت‌های ارزشمندی را برای بشر عرضه کند. من امیدوارم با نتایج امیدبخشی که به دست آمد، بتوانیم گام‌های موثرتری در حل برخی از پیچیده‌ترین معماهای کیهانی برداریم. حل معمای انرژی تاریک یکی از این مسائل پیچیده است که سالیانِ سال محققان را درگیر کرده است. از دید من، روشی که ما ساختیم می‌تواند در سایر حوزه‌ها نیز به کار برده شود که از جمله آنها می‌توان به علوم طبیعی یا علوم اجتماعی اشاره کرد.»

این ابزار جدید از یکی از جنبه‎های هوش مصنوعی به نام یادگیری ماشینی استفاده می‌کند. سریع‎ترین ابررایانه‌های شبیه‌سازی اخترفیزیکی موسوم به «ATERUI» و «ATERUI II» با تغییر خصوصیات مهم کیهان از قبیل ماده تاریک و انرژی تاریک موفق به ساخت صدها جهان موازی شده‌اند. ابزار «Dark Emulator» از داده‌ها یاد گرفته و پیامدهای یک مجموعه جدید از خصوصیات را حدس می‌زند؛ بدون اینکه مجبور باشد هر بار شبیه‌سازی‌های جدیدی انجام دهد. محققان امیدوارند در آینده از این گونه ابزارها برای مطالعه دقیق‌تر منشاء کیهان استفاده کنند. این مقاله روز ۸ اکتبر ۲۰۱۹ در مجلهAstrophysical منتشر شده است.