Возможности этого метода изложены в двух недавних статьях, написанных профессором астрономии, физики и статистики Робертом Бруннером, его студентом Харшилом Камдаром и научным сотрудником Национального центра суперкомпьютерных приложений Мэтью Терк.В настоящее время космологи используют два подхода к моделированию.
Первый — это симуляция N тел, которая моделирует коллапс темной материи под действием силы тяжести. Эти симуляции в сочетании с полуаналитической моделью позволяют астрономам моделировать формирование галактик. Второй — это гидродинамическое моделирование N-тела, которое позволяет астрономам напрямую моделировать, как нормальная материя взаимодействует с темной материей при гравитационном коллапсе с образованием галактик; этот более требовательный к вычислениям подход напрямую показывает, как невидимые сгустки темной материи, называемые ореолами, влияют на звездообразование.«Темная материя образует холмы и долины для гравитации.
Частицы газа падают в долины», — сказал Бруннер. «Они смешиваются, образуя звезды в результате процесса, который мы называем гидродинамикой. Это довольно сложный процесс, похожий на то, как работает наша атмосфера».
По словам Бруннера, гидродинамика дает космологам наиболее точную информацию, когда она учитывается при моделировании N тел. Но у использования гидродинамического моделирования есть недостаток: они отнимают миллионы часов суперкомпьютерного времени, что зачастую приводит к непозволительным счетам на исследовательские проекты.«Полуаналитическое моделирование также занимает тысячи часов», — сказал Камдар. «Наш подход к машинному обучению займет считанные минуты».Машинное обучение использует компьютерные алгоритмы для определения взаимосвязей в многомерных данных.
Команда из Иллинойса разработала алгоритм машинного обучения для отображения взаимосвязи между ореолами темной материи и их аналогами из нормальной материи в гидродинамическом моделировании галактик.Машинное обучение сокращает время вычислений, аппроксимируя свойства, на которые исследователь хочет обратить внимание, с помощью алгоритма, обученного на одном из редких гидродинамических симуляций продолжительностью миллионы часов.
Хотя точное расположение темной материи и частиц может быть неточным, команда показала, что предсказанное распределение галактик и их свойств практически совпадает с гидродинамическими симуляциями N-тел и полуаналитическими моделями.«В качестве аналогии можно использовать машинное обучение для прогнозирования количества учеников в классе. Мы не сможем правильно выставить оценки каждого ученика, но распределение оценок будет правильным», — сказал Бруннер.
В первой статье, опубликованной в «Ежемесячных уведомлениях Королевского астрономического общества», исследователи продемонстрировали, что машинное обучение способно воссоздать распределение галактик, подобное тому, которое создается с помощью полуаналитических моделей. Во второй представленной статье, теперь доступной на ArXiv, они сравнили метод машинного обучения с гидродинамическим моделированием, отображая галактики на уровне частиц, и снова обнаружили, что парадигма машинного обучения работает хорошо.Их будущая работа будет включать в себя заполнение галактик моделированием только темной материи с использованием машинного обучения за считанные минуты.
Затем новую структуру машинного обучения можно использовать для создания быстро смоделированных карт галактик для сравнения с данными наблюдений.Новый метод перспективен для геодезистов, которые сравнивают свои наблюдения с результатами моделирования.
Это включает в себя как исследование темной энергии, так и предстоящий Большой синоптический обзорный телескоп, оба из которых будут каталогизированы в Университете Иллинойса.