最新的宇宙学标准模型关键参数的计算比早期使用相同星系分布数据的方法准确得多。宇宙的标准模型主要基于六个关键数字。通过使用一种新颖的人工智能驱动的方法，来自弗拉特铁研究所的研究人员及其合作伙伴成功揭示了隐藏在星系分布中的见解，以显著的准确性估计五个宇宙学参数的值。
这些发现标志着相比之前获得的值有了显著提升。这项新技术将关于宇宙中物质分布的不确定性降低到传统方法使用相同星系数据时的一半以下。此外，人工智能驱动的技术与从其他观测中得出的宇宙学参数估计（例如宇宙最古老的光）有很好的相关性。
在一系列最近发表的论文中，包括8月21日在《自然天文学》上发表的一篇，研究人员介绍了他们的方法，称为基于模拟的星系推断（SimBIG）。
根据合著者、弗拉特铁研究所计算天体物理中心（CCA）的小组负责人Shirley Ho的说法，使用相同数据获得这些参数的更严格约束，对于探索从暗物质成分到负责宇宙扩张的暗能量特征等主题至关重要。这一发现与预计在未来几年开始的即将进行的宇宙调查尤其相关。
“每项调查的费用在数亿到数十亿美元之间，”Ho解释道。“这些调查存在的原因是我们希望更好地理解这些宇宙学参数。从实用的角度来看，每个参数可能代表数千万美元。因此，进行最佳分析以从这些调查中提取最大知识，进一步理解宇宙至关重要。”
这六个宇宙学参数提供了关于宇宙中普通物质、暗物质和暗能量的数量，以及大爆炸后的条件，包括宇宙在冷却阶段的早期不透明度和质量分布——无论是分散还是聚集。根据《自然天文学》研究的共同作者、CCA的研究分析师Liam Parker的说法，这些参数实际上是支配宇宙在大尺度行为的“设置”。
宇宙学家计算这些参数的主要方法涉及分析星系在宇宙中的聚集情况。历史上，这些分析仅关注星系的广泛分布。
“我们一直无法分析更小的尺度，”该研究的主要作者、普林斯顿大学的助理研究学者ChangHoon Hahn表示。“在过去几年中，我们知道存在更多信息；只不过我们缺乏适当的方法来提取它。”
Hahn提出了一种利用人工智能获得小尺度数据的方法。他的策略分为两个阶段：首先，他和他的同事们训练一个人工智能模型，从模拟宇宙中估计宇宙学参数。随后，他们用实际的星系分布数据测试该模型。
在训练过程中，Hahn、Ho、Parker及其同事们向模型提供了来自CCA的Quijote模拟套件的2000个盒状模拟，其中每个宇宙都是使用不同的宇宙学参数值创建的。他们甚至引入了典型的现实星系调查数据中的不完美，这些不完美受气候条件和望远镜特性的影响，以为模型提供实际训练。“这是一个相当庞大的模拟数量，但仍然可以管理，”Hahn指出。“如果没有机器学习，则需要数十万个。”
在整个训练过程中，模型学习了宇宙学参数值与星系聚集中微妙变化之间的关系，包括个别星系之间的间距。SimBIG还会通过检查星系的排列收集更大星系团的信息，创建出拉长的三角形或紧凑的等边三角形等视觉形状。
一旦模型训练完成，研究人员用巴里子振荡光谱调查记录的109,636个真实星系对其进行了测试。正如预期的那样，该模型同时利用了数据中的小尺度和大尺度细节，提高了宇宙学参数估计的精度。其准确性之高，达到了传统分析需约四倍星系数量才能实现的水平。Ho强调了这一点，指出宇宙中的星系数量是有限的。通过用更少的数据提高精确度，SimBIG可以扩展可分析的边界。
Hahn建议，对于这项新获得的精确度，一项令人兴奋的潜在应用涉及哈勃张力——一个源于哈勃常数的冲突估计的宇宙学问题，该常数测量宇宙膨胀的速度。
确定哈勃常数涉及使用“宇宙标尺”评估宇宙的大小。来自遥远星系的超新星距离的估计比基于古老宇宙光变化的估计高出大约10%。
随着新的调查将在未来几年上线，捕获更多的宇宙历史，将这些调查的数据与SimBIG结合将有助于更清楚地理解哈勃张力的程度，以及它是否表明需要修订宇宙模型，或者是否能够调和。Hahn表示：“如果我们能非常准确地测量这些量并确认存在张力，这可能会揭示有关暗能量和宇宙扩张的新物理学。”
与来自弗拉特铁研究所计算数学中心（CCM）的Michael Eickenberg、CCA的Pablo Lemos、CCA和CCM的Chirag Modi、CCM的Bruno Régaldo-Saint Blancard、西蒙斯基金会主席David Spergel、佛罗里达大学的Jiamin Hou、滑铁卢大学的Elena Massara以及日内瓦大学的Azadeh Moradinezhad Dizgah一起，Hahn、Ho和Parker为《自然天文学》SimBIG研究做出了贡献。
