توزیع ساختارها و تحول کیهان در بزرگ مقیاس با دو پارامتر، چگالی ماده در کیهان نسبت به میزان بحرانی آن و توان اختلالات تباین چگالی ماده ی که با سیگما- 8 نشان داده می شود، قابل اندازه گیری است.

کیهان شناسان این دو پارامتر را با دو رصد مهم خوشگی کهکشان ها و اثرات همگرایی گرانشی ضعیف اندازه گیری می کنند.

تصویر برگرفته از مقاله 1

البته هر دو این مشاهدات دارای چندگانگی در مشاهده پذیرها هستند که مقید کردن مدل های کیهان شناسی را دشوار می کند. برای خوشگی کهکشان ها پارامتر سویدگی ماده باریونی و ماده تاریک عامل دشواری است و برای اندازه گیری همگرایی گرانشی، جهت گیری ذاتی کهکشان ها مسئله را دشوار می کند.

کاسپرزاک Kacprzak و فلوری Fluri از ETH زوریخ پیشنهاد کرده اند که از روش یادگیری عمیق می توان برای جداسازی این پارامترها و مقید کردن پارامتر چگالی کیهان و سیگما-8 استفاده کرد(1). آن ها نشان داده اند که یادگیری ماشین پارامتر سویدگی را 1.5 برابر و جهت گیری ذاتی کهکشان ها را 8 برابر مقیدتر از روش های پیشین خواهد کرد.

این پژوهش یکی از نمونه پژوهش هایی است که به کارگیری روش های یادگیری ماشین را در کیهان شناسی به نمایش می گذارد.

منبع خبر: وبگاه APS

1. T. Kacprzak and J. Fluri, “DeepLSS: Breaking parameter degeneracies in large-scale structure with deep-learning analysis of combined probes,” Phys. Rev. X 12, 031029 (2022).