• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  •  Science >> Science >  >> Astronomie
    Compréhension plus précise de l’énergie noire obtenue grâce à l’IA

    Une carte de matière dérivée de l'un des univers simulés. Les zones les plus claires de la carte montrent les régions où la matière noire est la plus dense. Ceux-ci correspondent à des superamas de galaxies. Les taches sombres, presque noires, sont des vides cosmiques, de grands espaces vides entre des amas de galaxies. Crédit :Niall Jeffrey et al

    Une équipe de recherche dirigée par l'UCL a utilisé des techniques d'intelligence artificielle (IA) pour déduire plus précisément l'influence et les propriétés de l'énergie noire à partir d'une carte de la matière noire et visible dans l'univers couvrant les 7 derniers milliards d'années.



    L'étude, soumise aux Avis mensuels de la Royal Astronomical Society et disponible sur arXiv serveur de préimpression, a été réalisé par la collaboration Dark Energy Survey. Les chercheurs ont doublé la précision avec laquelle les caractéristiques clés de l'univers, y compris la densité globale de l'énergie noire, pouvaient être déduites de la carte.

    Cette précision accrue permet aux chercheurs d'exclure des modèles de l'univers qui auraient pu être concevables auparavant.

    L'énergie sombre est la force mystérieuse qui accélère l'expansion de l'univers et on pense qu'elle représente environ 70 % du contenu de l'univers (avec la matière noire, substance invisible dont la gravité attire les galaxies, qui représente 25 % et la matière normale seulement 5 %. ).

    L'auteur principal, le Dr Niall Jeffrey (UCL Physics &Astronomy), a déclaré :"En utilisant l'IA pour apprendre des univers simulés par ordinateur, nous avons multiplié par deux la précision de nos estimations des propriétés clés de l'univers.

    "Pour réaliser cette amélioration sans ces nouvelles techniques, nous aurions besoin de quatre fois plus de données. Cela équivaudrait à cartographier 300 millions de galaxies supplémentaires."

    Le co-auteur, le Dr Lorne Whiteway (UCL Physics &Astronomy) a déclaré :« Nos résultats sont conformes à la meilleure prédiction actuelle de l'énergie sombre en tant que « constante cosmologique » dont la valeur ne varie pas dans l'espace ou dans le temps. flexibilité pour qu'une explication différente soit correcte. Par exemple, il se pourrait toujours que notre théorie de la gravité soit fausse. "

    Conformément aux analyses précédentes de la carte Dark Energy Survey, publiées pour la première fois en 2021, les résultats suggèrent que la matière dans l’univers est répartie plus facilement – ​​moins grumeleuse – que ne le prédirait la théorie de la relativité générale d’Einstein. Cependant, l'écart était moins significatif pour cette étude par rapport à l'analyse précédente, car les barres d'erreur étaient plus grandes.

    La carte Dark Energy Survey a été obtenue grâce à une méthode appelée lentille gravitationnelle faible, c'est-à-dire en observant comment la lumière provenant de galaxies lointaines a été courbée par la gravité de la matière intermédiaire sur son chemin vers la Terre.

    La collaboration a analysé les distorsions des formes de 100 millions de galaxies pour en déduire la répartition de toute la matière, à la fois sombre et visible, au premier plan de ces galaxies. La carte résultante couvrait un quart du ciel de l'hémisphère sud.

    Pour la nouvelle étude, les chercheurs ont utilisé des superordinateurs financés par le gouvernement britannique pour exécuter des simulations de différents univers sur la base des données de la carte de matière du Dark Energy Survey. Chaque simulation reposait sur un modèle mathématique différent de l'univers.

    Les chercheurs ont créé des cartes de matière à partir de chacune de ces simulations. Un modèle d'apprentissage automatique a été utilisé pour extraire les informations de ces cartes pertinentes pour les modèles cosmologiques. Un deuxième outil d'apprentissage automatique, s'appuyant sur de nombreux exemples d'univers simulés avec différents modèles cosmologiques, a examiné les données réelles observées et a donné les chances qu'un modèle cosmologique soit le véritable modèle de notre univers.

    Cette nouvelle technique a permis aux chercheurs d’utiliser beaucoup plus d’informations provenant des cartes que ce qui serait possible avec la méthode précédente. Les simulations ont été exécutées sur l'installation de calcul haute performance (HPC) DiRAC.

    La prochaine phase des projets sur l'univers sombre – y compris la mission Euclid de l'Agence spatiale européenne, lancée l'été dernier – augmentera considérablement la quantité de données dont nous disposons sur les structures à grande échelle de l'univers, aidant ainsi les chercheurs à déterminer si la fluidité inattendue de l'univers l'univers est un signe que les modèles cosmologiques actuels sont erronés ou s'il existe une autre explication.

    Actuellement, cette douceur est en contradiction avec ce qui serait prédit sur la base de l'analyse du fond diffus cosmologique (CMB) :la lumière laissée par le Big Bang.

    La collaboration Dark Energy Survey, dont l'UCL est membre fondateur, est hébergée par le Fermi National Accelerator Laboratory (Fermilab) du Département américain de l'énergie et implique plus de 400 scientifiques de 25 institutions dans sept pays.

    La collaboration a catalogué des centaines de millions de galaxies, à l'aide de photographies du ciel nocturne prises par la caméra Dark Energy de 570 mégapixels, l'un des appareils photo numériques les plus puissants au monde, sur six ans (de 2013 à 2019). La caméra, dont le correcteur optique a été construit à l'UCL, est montée sur un télescope de l'Observatoire interaméricain Cerro Tololo de la National Science Foundation au Chili.

    Plus d'informations : N. Jeffrey et al, Résultats de la troisième année de l'enquête sur l'énergie sombre :inférence wCDM sans vraisemblance, basée sur une simulation, avec compression neuronale de statistiques cartographiques à lentilles faibles, arXiv (2024). DOI :10.48550/arxiv.2403.02314

    Fourni par l'University College London




    © Science https://fr.scienceaq.com