LeCun转帖，AI精确计算宇宙「设置」，登Nature子刊

来源：ScienceAI

编辑：白菜叶

让「AI 告诉你宇宙中有什么？」

Meta 首席人工智能科学家、图灵奖得主 Yann LeCun 在 X 上转发了纽约大学物理系教授 Shirley Ho 的帖子。

Ho 在帖子中表示她所在的由 Changhoon Hahn 领导的 SimBIG 团队新发布了一篇论文。他们借助 AI 模拟宇宙，产生了许多新见解。

「这是第一次通过光谱望远镜 (Sdssurveys) 很好地模拟了宇宙，以便将其与实际宇宙进行比较！我们模拟了 20,000 个这样的宇宙！」她表示，「对于每个模拟宇宙，它都会为你提供汇总统计数据 (x) 和模拟的基本属性 (y)。然后我们使用这 20,000 对 (x,y) 来训练 AI，以计算后验 P (y | x )。」

「现在，你可以为这个 AI 提供来自真实观测到的宇宙的观测汇总统计数据 (x')，这里是具有适当误差的宇宙基本参数。」她说。

该研究以「Cosmological constraints from non-Gaussian and nonlinear galaxy clustering using the SimBIG inference framework」为题，于 2024 年 8 月 21 日发布在《Nature Astronomy》。

论文链接：

https://www.nature.com/articles/s41550-024-02344-2

标准 ΛCDM 宇宙学模型预测存在冷暗物质，而目前宇宙的加速膨胀是由暗能量驱动的。该模型最近受到了学界专家的审查，因为在测量宇宙膨胀和增长历史时存在矛盾，这些测量使用 H0 和 S8 参数化。

星系的三维聚类编码了解决这些紧张关系的关键宇宙学信息。论文中，研究人员使用基于模拟的推理提出了一组宇宙学约束，该推理利用了星系聚类中非线性尺度上的额外非高斯信息，而这些信息是当前分析无法获得的。

研究人员使用 SimBIG 分析了重子振荡光谱巡天 (BOSS) 星系巡天的一个子集，SimBIG 是一种利用高保真模拟和深度生成模型进行宇宙学推断的新框架。

视频：将用于训练 SimBIG 的模拟宇宙中的星系分布（右）与真实宇宙中看到的星系分布（左）进行了比较。（来源：SimBIG 团队）

该团队在标准功率谱之外使用了两个聚类统计数据：双谱和基于卷积神经网络的星系场总结。他们对 H0 和 S8 的约束比功率谱分析严格 1.5 倍和 1.9 倍。

图示：利用人工智能揭示宇宙参数。（来源：论文）

凭借这种更高的精度，该团队的约束与其他宇宙探测器的约束相比具有竞争力，即使只有整个 BOSS 体积的 10%。

Ho 表示，在使用相同数据的情况下对参数进行更严格的约束对于研究从暗物质的成分到驱使宇宙分裂的暗能量的性质等所有事物都至关重要。

「每项调查都耗资数亿至数十亿美元。」Ho 说，「这些调查存在的主要原因是我们希望更好地理解这些宇宙学参数。所以如果你从非常实际的角度考虑，这些参数每个都价值数千万美元。你希望尽可能进行最佳分析，从这些调查中提取尽可能多的知识，并突破我们对宇宙理解的界限。」

研究人员用 SimBIG 分析了 BOSS 测量的 109,636 个真实星系。该模型利用数据中的小尺度和大尺度细节来提高其宇宙学参数估计的精度。

这些估计非常精确，相当于使用大约四倍星系的传统分析。Ho 说，这很重要，因为宇宙中的星系数量是有限的。通过用更少的数据获得更高的精度，SimBIG 可以突破可能的极限。

Hahn 表示，该研究的高精度的一个重要应用就是宇宙危机，即所谓「哈勃张力」。这种张力源于对哈勃常数的不匹配估计，哈勃常数描述了宇宙中所有物质的扩散速度。

计算哈勃常数需要使用「宇宙标尺」来估算宇宙的大小。基于遥远星系中爆炸恒星（称为超新星）的距离进行的估算比基于宇宙最古老光的波动间隔进行的估算高出约 10%。

将这些调查数据与 SimBIG 配对可以更好地揭示哈勃张力的程度，以及这种不匹配是否可以解决，或者是否需要修改宇宙模型，Hahn 表示，「如果我们非常精确地测量这些量，并且可以肯定地说存在张力，那么这可能会揭示有关暗能量和宇宙膨胀的新物理学。」

未来的工作，研究人员将把 SimBIG 扩展到即将进行的光谱星系调查（DESI、PFS、欧几里得），这将产生改进的宇宙学约束，从而加深对宇宙张力的理解。

相关内容：

https://x.com/cosmo_shirley/status/1829625431936655670

相关资料：

https://journals.aps.org/prd/abstract/10.1103/PhysRevD.109.083534

https://journals.aps.org/prd/abstract/10.1103/PhysRevD.109.083536

https://journals.aps.org/prd/abstract/10.1103/PhysRevD.109.083535

https://journals.aps.org/prd/abstract/10.1103/PhysRevD.109.103528

https://arxiv.org/abs/2404.04228

https://nature.com/articles/s41550-024-02344-2?utm_campaign=natastronTWT

https://pnas.org/doi/full/10.1073/pnas.2218810120

Ω未来资料库 是欧米伽未来研究所为了研究世界前沿科技未来发展趋势建立的在线学习资料平台，涉及的范围包括人工智能、脑科学、互联网、超级智能，数智大脑、能源、军事、经济、人类风险等等领域的前沿进展与未来趋势。每周将更新不少于100篇世界范围最新研究资料。目前 Ω未来资料库 拥有超过8000篇重要资料。

如果您对欧米伽未来研究所的研究感兴趣，欢迎扫描以下二维码加入或点击本文左下角“阅读原文”