Les astrophysiciens de l'Institute for Advanced Study, le Flatiron Institute, et leurs partenaires ont développé une méthode plus précise pour déterminer la masse des amas massifs galactiques à l'aide de l'intelligence artificielle. L'intelligence artificielle a découvert que les scientifiques peuvent obtenir de meilleures estimations de masse qu'auparavant en ajoutant un terme simple à une équation existante.
Les nouvelles prédictions permettront aux chercheurs de calculer plus précisément les propriétés fondamentales de l'univers, selon les astrophysiciens qui ont publié leurs découvertes dans la revue Actes de l'Académie nationale des sciences le 17 mars 2023.
Francisco Villaescusa-Navarro, chercheur au Centre d'astrophysique computationnelle (CCA) du Flatiron Institute à New York et co-auteur de l'étude, a déclaré : « C'est une chose très simple ; C'est la beauté du travail », dit-il. « Bien qu'il soit si simple, ce terme n'était pas connu auparavant. Les gens recherchent cela depuis des décennies, mais n'ont pas encore réussi.
Le projet a été dirigé par Digvijay Wadekar de l'Institute for Advanced Study de Princeton, New Jersey, ainsi que des chercheurs du CCA, de l'Université de Princeton, de l'Université Cornell et du Harvard & Smithsonian Center for Astrophysics.
Savoir où et combien de matière se trouve vous aidera à mieux comprendre le cosmos. Les plus gros objets de l'univers sont les amas de galaxies, qui peuvent contenir des centaines à des milliers de galaxies, ainsi que du plasma, des gaz chauds et de la matière noire. Ces éléments sont liés entre eux par la gravité de l'amas. Comprendre ces amas de galaxies est crucial pour déterminer le début et l'évolution continue du cosmos.
La masse totale d'un amas de galaxies est sans doute le facteur le plus important dans la définition de ses propriétés. Cette quantité est cependant difficile à estimer, car les galaxies ne peuvent pas être "pesées" en les mettant sur une balance. L'invisibilité de la matière noire, qui constitue une partie importante de la masse d'un amas, ajoute à ce défi. Au lieu de cela, ils soustraient la masse d'un cluster d'autres propriétés mesurables.
Au début des années 1970, Rashid Sunyaev et Yakov B. Zel'dovich ont développé une nouvelle méthode pour calculer les masses des amas de galaxies. Rashid Sunyaev est actuellement professeur invité distingué à l'Institute for Advanced Study, School of Natural Sciences. Leur approche est basée sur l'idée que lorsque la matière est comprimée par la gravité, ses électrons sont repoussés.
L'interaction entre les électrons et les photons de la lumière change avec cette pression sur les électrons. L'interaction produit de nouveaux photons lorsque les photons de la post-lumière du Big Bang frappent le matériau comprimé. Les propriétés de ces photons dépendent de la force avec laquelle le matériau est comprimé par la gravité, qui à son tour dépend de la masse de l'amas de galaxies. En comptant les photons, les astrophysiciens peuvent déterminer la masse de l'amas.
Cette "pression électronique intégrée" n'est pas un substitut parfait à la masse, car les changements dans les propriétés des photons dépendent de l'amas de galaxies. Wadekar et ses collègues ont émis l'hypothèse qu'une technologie d'apprentissage automatique appelée "régression symbolique" pourrait révéler une stratégie plus efficace. Pour déterminer quelle équation correspond le mieux aux données, le programme essaie essentiellement diverses combinaisons d'opérateurs mathématiques avec différentes variables.
Wadekar et ses collègues ont "alimenté" leurs algorithmes d'IA avec une simulation d'univers de pointe impliquant plusieurs amas de galaxies. Ensuite, Miles Cranmer, chercheur au CCA, a utilisé ses algorithmes pour rechercher et identifier d'autres variables susceptibles d'améliorer les estimations de masse.
L'IA est utile pour découvrir de nouvelles combinaisons de paramètres que les analystes humains pourraient manquer. Par exemple, bien que la détection de deux éléments clés dans un ensemble de données soit simple pour les analystes humains, l'IA peut mieux classer de gros volumes de données et découvrir souvent des facteurs contributifs inattendus.
Selon Wadekar, les réseaux de neurones profonds sont actuellement au centre de la communauté de l'apprentissage automatique. Ceux-ci sont incroyablement solides, mais un inconvénient est qu'ils sont presque complètement opaques. Ce qui se passe à l'intérieur d'eux dépasse notre compréhension. Quand quelque chose fonctionne bien en physique, nous voulons savoir pourquoi. La régression symbolique est avantageuse car elle examine un ensemble donné de données et produit des expressions mathématiques faciles à comprendre sous la forme d'équations simples. Il propose un modèle facile à comprendre.
Le programme de régression symbolique des chercheurs a ajouté un nouveau terme unique à l'équation existante, leur donnant une nouvelle équation qui pourrait prédire plus précisément la masse de l'amas de galaxies. Wadekar et ses collègues ont ensuite travaillé à rebours à partir de cette équation générée par l'intelligence artificielle pour découvrir une explication physique. Ils ont découvert que la présence de trous noirs supermassifs au centre des galaxies est corrélée avec d'autres régions des amas de galaxies où les inférences de masse sont moins précises. Ses équations révisées ont amélioré les estimations de masse en réduisant l'importance des noyaux complexes dans les calculs. L'amas de galaxies a la forme d'un beignet.
La nouvelle formule élimine la gelée au centre du pain, ce qui peut entraîner de plus grandes imprécisions, et se concentre plutôt sur les bords pâteux pour des inférences de masse plus précises.
Les chercheurs ont testé l'équation découverte par l'intelligence artificielle sur des dizaines de milliers d'univers simulés dans la suite CAMELS du CCA. Ils ont découvert que, par rapport à l'équation actuellement utilisée, l'équation réduit la variabilité des estimations de masse des amas de galaxies d'environ 20 à 30 % pour les grands amas.
La nouvelle équation pourrait donner aux astronomes d'observation une meilleure compréhension des masses d'objets qu'ils détectent dans les prochains relevés d'amas de galaxies. Selon Wadekar, une série d'études ciblant les amas de galaxies sont attendues dans un proche avenir.
L'observatoire Simons, l'expérience Stage 4 CMB et la recherche sur les rayons X eROSITA en sont quelques exemples. En utilisant les nouvelles équations, nous pouvons augmenter le rendement scientifique de ces recherches.
Wadekar prédit également que ce travail ne sera que le début de l'utilisation de la régression symbolique en astrophysique. "Nous pensons que la régression symbolique sera très utile pour répondre à une variété de questions astrophysiques", a déclaré Wadekar. Les astronomes font souvent un ajustement linéaire entre les deux paramètres et ignorent tous les autres facteurs. Mais ces technologies vous permettent de faire plus aujourd'hui.
En utilisant la régression symbolique et d'autres méthodes d'intelligence artificielle pour aller au-delà des limites des lois de puissance à deux paramètres actuellement existantes, nous pouvons explorer de petits systèmes astrophysiques tels que les exoplanètes jusqu'aux amas de galaxies, les plus grands objets de l'univers.
Source : eurekalert.org/news
Günceleme: 24/03/2023 14:16