L'intelligence artificielle découvre une équation secrète pour "peser" les amas de galaxies

Les astrophysiciens de l’Institute for State-of-the-art Review, du Flatiron Institute et de leurs collègues ont tiré parti de l’intelligence artificielle pour découvrir une meilleure façon d’estimer la masse d’amas colossaux de galaxies. L’IA a découvert qu’en ajoutant simplement un terme easy à une équation existante, les scientifiques peuvent produire des estimations de masse bien meilleures qu’auparavant.

Les estimations améliorées permettront aux scientifiques de calculer as well as précisément les propriétés fondamentales de l’univers, ont rapporté les astrophysiciens le 17 mars 2023 dans les Actes de l’Académie nationale des sciences.

“C’est une chose si basic c’est la beauté de cela”, déclare le co-auteur de l’étude Francisco Villaescusa-Navarro, chercheur au Centre d’astrophysique computationnelle (CCA) du Flatiron Institute à New York. “Même si c’est si uncomplicated, personne auparavant n’a trouvé ce terme. Les gens travaillent dessus depuis des décennies, et ils n’ont toujours pas réussi à le trouver.”

Harvard & Smithsonian.

Comprendre l’univers nécessite de savoir où et combien de choses il y a. Les amas de galaxies sont les objets les moreover massifs de l’univers  : un seul amas peut contenir des centaines à des milliers de galaxies, ainsi que du plasma, des gaz chauds et de la matière noire. La gravité de l’amas maintient ces composants ensemble. Comprendre ces amas de galaxies est vital pour déterminer l’origine et l’évolution continue on de l’univers.

La quantité la in addition cruciale déterminant les propriétés d’un amas de galaxies est peut-être sa masse totale. Mais mesurer cette quantité est difficile – les galaxies ne peuvent pas être “pesées” en les plaçant sur une échelle. Le problème est encore additionally compliqué vehicle la matière noire qui constitue une grande partie de la masse d’un amas est invisible. Au lieu de cela, les scientifiques déduisent la masse d’un cluster à partir d’autres quantités observables.

Au début des années 1970, Rashid Sunyaev, actuel professeur invité distingué à l’Institute for Sophisticated Study’s University of Natural Sciences, et son collaborateur Yakov B. Zel’dovich ont développé une nouvelle façon d’estimer les masses des amas de galaxies. Leur méthode repose sur le fait que lorsque la gravité écrase la matière, les électrons de la matière repoussent. Cette pression électronique modifie la façon dont les électrons interagissent avec les particules de lumière appelées photons. Lorsque les photons laissés par la rémanence du Massive Bang frappent le matériau pressé, l’interaction crée de nouveaux photons. Les propriétés de ces photons dépendent de la pressure de la gravité qui comprime le matériau, qui à son tour dépend du poids de l’amas de galaxies. En mesurant les photons, les astrophysiciens peuvent estimer la masse de l’amas.

Cependant, cette “pression électronique intégrée” n’est pas une approximation parfaite de la masse, car les changements dans les propriétés des photons varient en fonction de l’amas de galaxies. Wadekar et ses collègues ont pensé qu’un outil d’intelligence artificielle appelé “régression symbolique” pourrait trouver une meilleure approche. L’outil teste essentiellement différentes combinaisons d’opérateurs mathématiques, tels que l’addition et la soustraction, avec diverses variables, pour voir quelle équation correspond le mieux aux données.

Wadekar et ses collaborateurs ont “alimenté” leur programme d’IA avec une simulation d’univers à la pointe de la technologie contenant de nombreux amas de galaxies. Ensuite, leur programme, rédigé par Miles Cranmer, chercheur au CCA, a recherché et identifié des variables supplémentaires susceptibles de rendre les estimations de masse additionally précises.

L’IA est utile pour identifier de nouvelles combinaisons de paramètres que les analystes humains pourraient ignorer. Par exemple, alors qu’il est facile pour les analystes humains d’identifier deux paramètres significatifs dans un ensemble de données, l’IA peut mieux analyser des volumes élevés, révélant souvent des facteurs d’influence inattendus.

“À l’heure actuelle, une grande partie de la communauté de l’apprentissage automatique se concentre sur les réseaux de neurones profonds”, a expliqué Wadekar. “Ceux-ci sont très puissants, mais l’inconvénient est qu’ils ressemblent presque à une boîte noire. Nous ne pouvons pas comprendre ce qui s’y passe. En physique, si quelque chose donne de bons résultats, nous voulons savoir pourquoi. Régression symbolique est bénéfique car il recherche un ensemble de données donné et génère des expressions mathématiques simples sous la forme d’équations simples que vous pouvez comprendre. Il fournit un modèle facilement interprétable.

Le programme de régression symbolique des chercheurs leur a remis une nouvelle équation, able de mieux prédire la masse de l’amas de galaxies en ajoutant un seul nouveau terme à l’équation existante. Wadekar et ses collaborateurs ont ensuite travaillé à rebours de cette équation générée par l’IA et ont trouvé une explication physique. Ils ont réalisé que la focus de gaz était en corrélation avec les régions des amas de galaxies où les inférences de masse sont moins fiables, comme les noyaux des galaxies où se cachent des trous noirs supermassifs. Leur nouvelle équation a amélioré les inférences de masse en minimisant l’importance de ces noyaux complexes dans les calculs. Dans un sens, l’amas de galaxies est comme un beignet sphérique. La nouvelle équation extrait la gelée au centre du beignet qui peut introduire des erreurs as well as importantes, et se concentre plutôt sur la périphérie pâteuse pour des inférences de masse in addition fiables.

Les chercheurs ont testé l’équation découverte par l’IA sur des milliers d’univers simulés à partir de la suite CAMELS du CCA. Ils ont découvert que l’équation réduisait la variabilité des estimations de masse des amas de galaxies d’environ 20 à 30 % pour les grands amas par rapport à l’équation actuellement utilisée.

La nouvelle équation peut fournir aux astronomes d’observation engagés dans les prochaines enquêtes sur les amas de galaxies de meilleures informations sur la masse des objets qu’ils observent. “Il existe de nombreuses enquêtes ciblant les amas de galaxies [that] sont prévus dans un avenir proche », a noté Wadekar. « Les exemples incluent l’observatoire Simons, l’expérience CMB de stade 4 et une étude par rayons X appelée eROSITA. Les nouvelles équations peuvent nous aider à maximiser le retour scientifique de ces enquêtes.”

Wadekar espère également que cette publication ne sera que la pointe de l’iceberg lorsqu’il s’agira d’utiliser la régression symbolique en astrophysique. “Nous pensons que la régression symbolique est très relevant pour répondre à de nombreuses questions astrophysiques”, a-t-il déclaré. “Dans de nombreux cas en astronomie, les gens font un ajustement linéaire entre deux paramètres et ignorent tout le reste. Mais de nos jours, avec ces outils, vous pouvez aller plus loin. La régression symbolique et d’autres outils d’intelligence artificielle peuvent nous aider à aller au-delà des deux paramètres existants. lois de puissance de différentes manières, allant de l’étude de petits systèmes astrophysiques comme les exoplanètes, aux amas de galaxies, les plus grandes choses de l’univers.”