天体物理学家展示如何用人工智能称量星系团
高级研究所的学者们使用一种称为“符号回归”的机器学习算法来生成新方程，以帮助解决 天体物理学中的一个基本问题：推断星系 团的质量 。
星系团是宇宙中质量最大的物体：一个星系团包含从一百到数千个星系，以及等离子体、热 X 射线发射气体和暗物质的集合。这些组件由星团自身的引力结合在一起。了解这样的星系团对于确定我们宇宙的起源和持续演化至关重要。
也许决定星系团性质的最关键的量是它的总质量。但是测量这个数量是困难的——星系不能通过将它们放在天平上来“称重”。由于构成星团大部分质量的暗物质是不可见的，因此问题变得更加复杂。相反，科学家们从其他可观察到的量中推断出星团的质量。
以前，学者们认为一个星团的质量大致与另一个更容易测量的量成正比，称为“积分电子压力”(或 Sunyaev-Zel'dovich 通量，通常缩写为 Y SZ )。Sunyaev-Zel'dovich 通量的理论基础是在 1970 年代初期由 Rashid Sunyaev和他的合作者 Yakov B. Zel'dovich 奠定的，Rashid Sunyaev 是该研究所 自然科学学院的现任杰出客座教授。
然而，积分电子压力并不是质量的可靠代表，因为它在不同的星系团中表现不一致。集群的外围往往表现出非常相似的 Y SZ，但它们的核心变化更大。Y SZ /质量等价是有问题的，因为它赋予星团的所有部分相同的权重。结果，观察到很多“分散”，这意味着质量推断的误差条很大。
该研究所自然科学学院的现任成员Digvijay Wadekar与十个不同机构的合作者合作开发了一个人工智能程序，以提高对质量与 Y SZ之间关系的理解。他们的工作最近发表在 国家科学院院刊上。
Wadekar 和他的合作者用最先进的宇宙学模拟“喂养”他们的 AI 程序，这些模拟是由哈佛和史密森尼天体物理学中心以及纽约熨斗研究所计算天体物理学中心 (CCA) 的团队开发的. 他们的程序搜索并确定了可能使从 Y SZ 推断质量更准确的其他变量。
人工智能可用于识别可能被人类分析师忽视的新参数组合。虽然人类分析师很容易识别数据集中的两个重要参数，但 AI 能够更好地解析大量数据，通常会揭示意想不到的影响因素。
更具体地说，Wadekar 和他的合作者采用的 AI 方法被称为符号回归。“现在，很多机器学习社区都专注于深度神经网络，”Wadekar 解释道。“这些功能非常强大，但缺点是它们几乎就像一个黑盒子。我们无法理解他们身上发生的事情。在物理学中，如果某事给出了好的结果，我们想知道 它为什么 会这样。符号回归是有益的，因为它搜索给定的数据集并以您可以理解的简单方程的形式生成简单的数学表达式。它提供了一个易于解释的模型。”
他们的符号回归程序(称为 PySR)为他们提供了一个新方程，该方程能够通过增加 Y SZ来更好地预测星系团的质量 以及有关集群气体浓度的信息。Wadekar 和他的合作者随后从这个 AI 生成的方程式开始逆向工作，并试图找到它的物理解释。他们意识到气体浓度实际上与质量推断不太可靠的星团嘈杂区域相关。因此，他们的新方程通过为星团的这些嘈杂区域“降低权重”提供了一种方法，从而改进了质量推断。从某种意义上说，星系团可以比作球形甜甜圈。新方程提取了甜甜圈中心的果冻(这会引入更大的误差)，并集中在面团状的外围以获得更可靠的质量推断。
新的方程式可以让从事即将进行的星系团调查的观测天文学家更好地了解他们观测到的物体的质量。Wadekar 说：“在不久的将来，有很多计划针对星系团进行调查。” “示例包括西蒙斯天文台 (SO)、第四阶段 CMB 实验 (CMB-S4) 和名为 eROSITA 的 X 射线测量。新方程式可以帮助我们从这些调查中获得最大的科学回报。”
他还希望这篇文章只是在天体物理学中使用符号回归的冰山一角。“我们认为符号回归非常适用于回答许多天体物理学问题，”Wadekar 补充道。“在天文学的很多情况下 ，人们会在两个参数之间进行线性拟合，而忽略其他一切。但如今，有了这些工具，您可以走得更远。符号回归和其他 人工智能 工具可以帮助我们以各种不同的方式超越现有的双参数幂律，从研究像系外行星这样的小型天体物理系统到宇宙中最大的星系团。”
版权声明：本文由用户上传，如有侵权请联系删除！