Alors que les cosmologistes réfléchissent à l'univers - et à d'autres univers possibles - les données dont ils disposent sont si complexes et vastes qu'il peut être extrêmement difficile à comprendre pour les humains seuls.

En appliquant les principes scientifiques utilisés pour créer des modèles de compréhension de la biologie cellulaire et de la physique aux défis de la cosmologie et des mégadonnées, Les chercheurs de Cornell ont développé un algorithme prometteur pour cartographier un ensemble de probabilités à multiples facettes.

La nouvelle méthode, que les chercheurs ont utilisé pour visualiser des modèles de l'univers, pourrait aider à résoudre certains des plus grands mystères de la physique, comme la nature de l'énergie noire ou les caractéristiques probables d'autres univers.

"La science fonctionne parce que les choses se comportent beaucoup plus simplement qu'elles n'en ont le droit, " dit James Sethna, professeur de physique et auteur principal de " Visualizing Probabilistic Models With Intensive Principal Component Analysis, " qui a été publiée en ligne le 24 juin dans le Actes de l'Académie nationale des sciences . "Des choses très compliquées finissent par faire des comportements collectifs assez simples."

Cette, il a dit, est parce que tous les facteurs d'un système ne sont pas significatifs. Par exemple, des millions d'atomes peuvent être impliqués dans une collision physique, mais leur comportement est déterminé par un nombre relativement faible de constantes. Des données sur l'univers collectées par de puissants télescopes, cependant, a tellement de paramètres qu'il peut être difficile pour les chercheurs de déterminer quelles mesures sont les plus importantes pour révéler des informations.

L'algorithme, développé par la première auteure Katherine Quinn, MME. '16, doctorat '19—permet aux chercheurs d'imaginer un large éventail de probabilités pour rechercher des modèles ou d'autres informations qui pourraient être utiles—et leur fournit une meilleure intuition pour comprendre des modèles et des données complexes.

"Comme nous avons des ensembles de données beaucoup plus gros et meilleurs, avec des téraoctets et des téraoctets d'informations, il devient de plus en plus difficile de les comprendre réellement, " dit Quinn. " Une personne ne peut pas simplement s'asseoir et le faire. Nous avons besoin de meilleurs algorithmes qui peuvent extraire ce qui nous intéresse, sans qu'on lui dise quoi chercher. Nous ne pouvons pas simplement dire, « Recherchez des univers intéressants ». Cet algorithme est un moyen de démêler les informations d'une manière qui peut révéler la structure intéressante des données."

La tâche des chercheurs était encore compliquée par le fait que les données consistent en des plages de probabilités, plutôt que des images ou des chiffres bruts. "C'est un problème plus délicat à gérer, " dit Quinn.

Leur solution tire parti des différentes propriétés des distributions de probabilités pour visualiser un ensemble de choses qui pourraient se produire. Outre la cosmologie, leur modèle a des applications à l'apprentissage automatique et à la physique statistique, qui fonctionnent également en termes de prédictions.

Pour tester l'algorithme, les chercheurs ont utilisé les données du satellite Planck de l'Agence spatiale européenne, et l'a étudié avec le co-auteur Michael Niemack, professeur agrégé de physique, dont le laboratoire développe des instruments pour étudier la formation et l'évolution de l'univers en mesurant le rayonnement micro-ondes. Ils ont appliqué le modèle aux données sur le fond diffus cosmologique, le rayonnement laissé par les premiers jours de l'univers.

Le modèle a produit une carte illustrant les caractéristiques possibles des différents univers, dont notre propre univers est un point. Cette nouvelle méthode de visualisation des qualités de notre univers met en évidence la structure hiérarchique du modèle dominé par l'énergie noire et la matière noire qui correspond si bien aux données du fond diffus cosmologique. Bien que la structure ne soit pas surprenante, ces visualisations présentent une approche prometteuse pour optimiser les mesures cosmologiques à l'avenir, dit Niemack.

Prochain, les chercheurs essaieront d'étendre cette approche pour permettre plus de paramètres pour chaque point de données. Cartographier de telles données pourrait révéler de nouvelles informations sur notre univers, d'autres univers possibles ou l'énergie noire, qui semble être la forme d'énergie dominante dans notre univers mais dont les physiciens connaissent encore peu.

"Nous n'utilisons que des modèles bruts pour expliquer ce que pourrait être l'énergie noire, ou comment il pourrait évoluer avec le temps, " a déclaré Niemack. " Il y a toute une série de paramètres différents qui pourraient être ajoutés aux modèles, et ensuite nous pourrions les visualiser et décider quelles sont les mesures importantes à prioriser, pour essayer de comprendre quel modèle d'énergie noire décrit le mieux notre univers."