Skupina znanstvenika naišla je na radikalan način pristupa kozmologiji. Dosadašnje metode sagledavanja sastava svemira temeljile su se na promatranju što većeg broja uzoraka. Najnovija metoda uključuje strojno učenje i omogućava predviđanje sastava cijelog digitalnog svemira temeljeno na samo jednoj simuliranoj galaksiji. Računala su, čini se, pronašla uzorak koji bi jednog dana astronomima mogao pružiti pristup velikom broju saznanja o pravom svemiru proučavanjem njegovih sastavnih dijelova.

'Riječ je o radikalnoj novoj ideji', rekao je Francisco Villaescusa-Navarro, teoretski astrofizičar u Institutu Flatiron u New Yorku i autor znanstvenog rada. 'Umjesto da mjerimo milijune galaksija, možemo uzeti samo jednu - apsolutno je nevjerojatno to da ova metoda funkcionira', nastavio je.

Novo otkriće je, doduše, nastalo slučajno - iz vježbe koju je Villaescusa-Navarro dao Jupiter Ding, studentici na Princetonu. Njezin zadatak bio je stvoriti neuralnu mrežu koja, uz poznavanje svojstava galaksije, može procijeniti nekoliko kozmoloških atributa. Zadatak je smišljen kako bi Ding naučila više o strojnom učenju, no sve je iznenadilo to kako računalo precizno predviđa i izračunava gustoću tvari, piše Quantum Magazine.

'Nije greška'

'Prvo sam mislio da je studentica napravila neku grešku', prisjeća se Villaescusa-Navarro. 'Bilo mi je teško povjerovati u to, da budem iskren', rekao je.

Rezultati naknadnog istraživanja uključuju sagledavanje 2000 digitalnih svemira koje je stvorio projekt Simulacija kozmologije i astrofizike strojnim učenjem (Cosmology and Astrophysics with Machine Learning Simulations, skraćeno CAMELS). Svi svemiri imali su različite kompozicije, od 10 do 50 posto tvari u odnosu na 90 do 50 posto tamne energije (koja potiče svemir na brže širenje). Usporedbe radi, naš se kozmos sastoji od oko trećine tamne tvari i dvije trećine tamne energije. Sve simulirane galaksije uključile su grubo uračunavanje složenih događaja poput supernova i mlazova koji izbijaju iz supermasivnih crnih rupa.

Neuralna mreža proučila je preko milijun simuliranih galaksija smještenih unutar različitih digitalnih svemira. Iz ove perspektive mreža je znala veličinu svake galaksije, njezinu masu i oko dvanaest drugih karakteristika. Njezin je cilj bio povezati listu podataka s gustoćom tvari u svemiru i to joj je pošlo za rukom. Nakon što su pokrenuli testiranje tisuća galaksija koje još nije istražila mreža je predvidjela kozmičku gustoću tvari u toleranciji od 10 posto. 'Nije važno to koju galaksiju promatrate - nitko nije mislio da su moguće ovakve stvari', komentirao je Villaescusa-Navarro.

'Jednoj galaksiji može se izračunati gustoća, što me iznenađuje', komentirao je Volker Sringel, stručnjak za simulirane galaksije u Institutu Max Planck i jedan od članova znanstvenog tima. Performanse algoritma oduševile su astronome zato što su galaksije prije svega kaotični objekti. Neke nastaju u brzom procesu dok druge rastu proždiranjem susjeda. Divovske galaksije zadržavaju svoju tvar, a crne rupe, supernove i crne rupe u patuljastim galaksijama izbacuju većinu vidljive tvari. Svaka galaksija je, unatoč tome, blisko povezana sa sveukupnom gustoćom tvari u svemiru.

Jedno od objašnjenja glasi da 'svemir i/ili galaksije funkcioniraju na jednostavniji način nego što smo mislili', rekla je Pauline Barmby, astronomkinja na Sveučilištu Western u Ontariju. Druga teorija je da simulacije imaju greške koje još nismo uspjeli prepoznati.

'Moćne, ali lijene'

Tim je proveo godinu i pol pokušavajući shvatiti kako je neuralna mreža postala tako 'pametna'. Provjerili su je li algoritam našao neki način da izračuna gustoću iz koda simulacije, umjesto iz simuliranih galaksija. 'Neuralne mreže jako su moćne, ali su također jako lijene', rekao je Villaescusa-Navarro. Do odgovora na pitanje kako algoritam kalkulira kozmičku gustoću znanstvenici su stigli nakon zanimljivog pokusa - trenirali su neuralnu mrežu u nekoliko iteracija, mičući različite osobine galaksija te su na kraju otkrili one najvažnije.

Pri samom vrhu liste prioriteta nalazila se brzina rotacije galaksije koja je usko vezana uz količinu tvari što se nalazi u centralnom dijelu. Otkriće se podudara s fizičkom intuicijom, kaže Springel. U svemiru punom tamne tvari lako je očekivati galaksije koje se grupiraju i vrte većom brzinom, što znači da brzina rotacije ima veze s gustoćom kozmičke tvari, premda je taj odnos pregrub za konkretna predviđanja.

Neuralna je mreža otkrila puno složeniji i precizniji odnos između 17 galaktičkih karakteristika i gustoće tvari - ta je veza ustrajna unatoč spajanjima galaksija i erupcijama crnih rupa. 'Nakon što dobijete više od dvije karakteristike ne možete vidjeti uzorak, no umjetna inteligencija - može', rekao je Shaun Hotchkiss, kozmolog sa Sveučilišta Auckland u Novom Zelandu.

Premda uspjeh algoritma povlači pitanje koliko osobina svemira možemo dobiti iz grubog proučavanja samo jedne galaksije, kozmolozi smatraju da će spektar primjena na prave galaksije biti ograničen. Kad je Villaescusa-Navarrova skupina testirala neuralnu mrežu na drugoj osobini - kozmičkoj zbijenosti - algoritam nije mogao pronaći uzorak. Springel vjeruje da drugi kozmološki atributi, poput brzine širenja zbog tamne energije, imaju vrlo mali utjecaj na pojedine galaksije.

Istraživanje, doduše, sugerira da teoretsko proučavanje Mliječnog puta i nekoliko drugih galaksija omogućava precizno mjerenje našeg svemira. Ovakav bi eksperiment, kaže Villaescusa-Navarro, mogao dati ideju o drugim brojevima, poput sume nepoznatih masa tri vrste neutrina.

Ova bi tehnika prije uspješne primjene u praksi trebala nadići svoj veliki nedostatak. CAMELS stvara svemire uz pomoć dva recepta dok je neuralna mreža trenirana za precizne izračune u jednom svemiru nesposobna učiniti to u drugom. Pretpostavlja se da neuralna mreža pronalazi rješenja prema jedinstvenim osobinama svakog 'recepta', što znači da će imati problema ako joj za izračun ponudimo Mliječni put, galaksiju koju su izgradili pravi zakoni fizike. Prije primjene ove tehnike na pravi svijet stručnjaci će morati napraviti realističnije simulacije ili koristiti načelnije tehnike strojnog učenja, što je vrlo težak zadatak.

'Impresionirani smo mogućnostima, no mislim da se nitko ne bi trebao zanijeti', zaključio je Springel. Villaescusa-Navarro, s druge strane, nalazi veliku inspiraciju u otkriću u digitalnom svemiru koje nalaže da povezanost između velikog (svemir) i malenog (galaksija) postoji i u stvarnom svijetu.