حتی یک کهکشان می‌تواند ترکیب کل جهان را آشکار کند
گروهی از دانشمندان احتمالاً به روشی جدید و بنیادی برای کیهان‌شناسی دست یافتند. کیهان‌شناسان معمولاً ترکیب جهان را ازطریق رصدهای بیشتر تخمین می‌زنند؛ اما پژوهشگران دریافته‌اند که الگوریتم یادگیری ماشین می‌تواند یک کهکشان واحد شبیه‌سازی‌شده را به شکلی دقیق بررسی کند و ترکیب کلی این جهان دیجیتالی را تخمین بزند. این دستاورد می‌تواند هم‌ارز با تحلیل تصادفی یک دانه شن زیر میکروسکوپ و محاسبه جرم سرزمین اوراسیا باشد.
ماشین‌ها ظاهراً الگویی را پیدا کرده‌اند که روزی به ستاره‌شناس‌ها اجازه می‌دهد تنها با بررسی عناصر بنیادی سازنده جهان به نتایج فراگیری درباره آن برسند. فرانسیسکو ویلاسوسا ناوارو، اخترفیزیک‌دان تئوری مؤسسه فلاتیرون در نیویورک و مؤلف ارشد پژوهش می‌گوید:«این ایده کاملاً متفاوت است. به جای اندازه‌گیری میلیون‌ها کهکشان می‌توان تنها یکی از آن‌ها را اندازه‌گیری کرد.»
یافته فوق هدف اصلی نبود بلکه از تمرینی که ویلاسوسا ناوارو به ژوپیتر دینگ، یکی از دانشجویان دانشگاه پرینستون داده بود حاصل شد. این تمرین به این شرح بود: شبکه‌ای عصبی بسازید که با توجه به خصوصیات یک کهکشان بتواند مجموعه‌ای از مشخصه‌های کیهانی را تخمین بزند. این تکلیف در اصل برای آشنایی دینگ با یادگیری ماشین طراحی شده بود؛ اما بعدها مشاهده شد که کامپیوتر در تحلیل کل چگالی ماده موفق عمل کرده است. ویلاسوسا ناوارو می‌گوید: «تصور می‌کردم دانشجو مرتکب اشتباه شده باشد. صادقانه بگویم باورش برای من سخت بود.»
نتایج پژوهش فوق در تاریخ ۶ ژانویه به شکل پیش‌انتشار منتشر شد و اکنون تاییدیه انتشار را گرفته است. پژوهشگران در این بررسی به آنالیز ۲۰۰۰ جهان دیجیتالی پرداختند که در پروژه کیهان‌شناسی و اخترفیزیک با شبیه‌سازی‌های یادگیری ماشین (CAMELS) تولید شده بودند. ترکیب این جهان‌ها با یکدیگر متفاوت بود به‌طوری‌که بین ۱۰ تا ۵۰ درصد هر جهان از ماده و باقی‌مانده‌ی آن از انرژی تاریک تشکیل شده بود که عامل انبساط سریع جهان است (کیهان واقعی دارای تقریباً یک سوم ماده مرئی و ماده تاریک و دوسوم انرژی تاریک است). براساس شبیه‌سازی‌ها، ماده‌های مرئی و ماده تاریک همراه با یکدیگر در کهکشان ها می‌چرخند. شبیه‌سازی‌ها همچنین بقایای رویدادهای پیچیده‌ای مثل ابرنواختر و فوران‌های شدید منتشرشده از سیاه‌چاله‌های کلان‌جرم را هم درنظر گرفتند.
شبکه عصبی دینگ تقریباً یک میلیون کهکشان شبیه‌سازی‌شده را در این جهان‌های دیجیتالی متنوع مطالعه کرد. شبکه از منظر خداگونه خود، اندازه، ترکیب، جرم و بیش از ده‌ها ویژگی دیگر هر کهکشان را می‌دانست و درتلاش بود تا این فهرست اعداد را با چگالی ماده در جهان مادر مرتبط کند.
شبیه‌سازی موفقیت‌‌آمیز بود. شبکه عصبی روی هزاران کهکشان جدید متشکل از ده‌ها جهانِ پیش‌تر بررسی‌نشده آزمایش شد و در این شرایط توانست چگالی ماده کیهانی را تا ده درصد تخمین بزند. به گفته‌ی ویلاسوسا ناوارو:«فرقی نمی‌کند کدام کهکشان را درنظر بگیرید. هیچ کس تصور نمی‌کرد این کار امکان‌پذیر باشد.»
ولکر اسپرینگل، کارشناس شبیه‌سازی شکل‌گیری کهکشان‌ها در مؤسسه نجوم ماکس پلانک که در پژوهش مشارکتی نداشت، می‌گوید: «اینکه یک کهکشان می‌تواند به [چگالی تا] ۱۰ درصد یا بیشتر برسد، برای من بسیار شگفت‌آور بود.»
در پروژه‌ی CAMELS، کدنویس‌ها به شبیه‌سازی هزاران جهان با ترکیب‌های متنوع پرداختند که در انتهای این ویدئو به شکل مکعب‌هایی مرتب شده‌اند
عملکرد الگوریتم از این جهت پژوهشگران را شگفت‌زده کرد که کهکشان‌ها ذاتا اجرامی بی‌نظم هستند. برخی از آن‌ها به صورت یکباره شکل می‌گیرند و برخی دیگر با خوردن همسایه‌های خود رشد می‌کنند. کهکشان‌های غول‌آسا به مواد خود وابسته هستند؛ درحالی‌که ابرنواخترها و سیاه‌چاله‌های موجود در کهکشان‌های کوتوله ممکن است بخش زیادی از مواد مرئی کهکشان را خارج کنند. بااین‌حال هر کهکشان تا اندازه‌ای بر چگالی کلی ماده در جهان خود تأثیر دارد. به گفته‌ی پاولین بارمبای، ستاره‌شناس دانشگاه غربی اونتاریو: «تفسیر ما این است که جهان یا کهکشان‌ها ساده‌تر از آن هستند که تصور می‌کنیم.»
از طرفی شبیه‌سازی‌ها خطاهایی ناشناخته دارند. پژوهشگرها نیمی از سال را صرف درک عملکرد شبکه عصبی کردند. آن‌ها مطمئن شدند که الگوریتم صرفاً راهی برای استنتاج چگالی از کدنویسی شبیه‌سازی پیدا نکرده و از خود کهکشان‌ها استفاده کرده است. به گفته‌ی ویلاسوسا ناوارو: «شبکه‌های عصبی بسیار قدرتمند و از طرفی بسیار تنبل هستند.»
پژوهشگرها ازطریق مجموعه‌ای از آزمایش‌ها به این درک رسیدند که چگونه الگوریتم می‌تواند چگالی کیهانی را پیش‌بینی کند. آن‌ها با حفظ شبکه و در عین حال مخفی‌سازی سیستماتیک مجموعه‌ای از ویژگیهای متفاوت کهکشانی بر ویژگیهای مهم‌تری تمرکز کردند.
در نزدیکی بالای فهرست، خصوصیتی مرتبط با سرعت چرخش کهکشان وجود داشت که با مقدار ماده موجود (از جمله ماده تاریک) در ناحیه مرکزی کهکشان متناظر است. به گفته اسپرینگل، یافته‌‌ها منطبق با شواهد فیزیکی بودند. در جهانی سرشار از ماده تاریک، انتظار داریم کهکشان‌ها سنگین‌تر باشند و سریع‌تر بچرخند. درنتیجه شاید فکر کنید سرعت چرخش با چگالی ماده کیهانی دارای همبستگی است؛ اگرچه این رابطه به تنهایی برای پیشگویی ناقص است.
شبکه عصبی به رابطه دقیق و پیچیده‌ای بین بیش از ۱۷ خصوصیت کهکشانی و چگالی ماده پی برد. این رابطه با وجود ادغام‌های کهکشانی، انفجارهای ستاره‌ای و فوران‌های سیاه‌چاله‌ای پایدار است. به گفته شاون هاچکیس، کیهان‌شناس دانشگاه اوکلند نیوزلند:
وقتی به بیش از دو خصوصیت می‌رسید، نمی‌توانید آن را به صورت چشمی ترسیم کرده و روند آن را ببینید اما شبکه عصبی قادر به انجام این کار است.
موفقیت الگوریتم این پرسش را مطرح می‌کند که چه تعداد خصوصیت جهان را می‌توان ازطریق بررسی تنها یک کهکشان استخراج کرد، اما در عین حال کیهان‌شناسان معتقدند که پیاده‌سازی این شبیه‌سازی در جهان واقعی محدودیت‌هایی دارد. گروه ویلاسوسا ناوارو شبکه عصبی را روی ویژگیهای متفاوتی مثل خوشه‌وارگی کیهانی بررسی کردند، اما به هیچ الگویی نرسیدند. همچنین اسپرینگل انتظار دارد دیگر مشخصه‌های کیهانی مثل افزایش سرعت انبساط جهان براثر انرژی تاریک، تأثیر کمی بر کهکشان‌های مجزا داشته باشد.
این پژوهش نشان می‌دهد از نظر تئوری، بررسی فراگیر راه شیری و شاید چند کهکشان نزدیک به آن می‌تواند امکان اندازه‌گیری دقیق ماده جهان را فراهم کند. به گفته‌ی ویلاسوسا ناوارو چنین آزمایشی می‌تواند سرنخ‌هایی را درباره دیگر اعداد کیهانی مثل مجموع جرم ناشناخته سه نوع نوترینو در جهان فراهم کند.
اما در عمل، روش یادشده باید در ابتدا بر یکی از نقاط ضعف کلیدی خود غلبه کند. پروژه CAMELS جهان‌های خود را با استفاده از دو دستورالعمل متفاوت ایجاد می‌کند. در درجه اول، شبکه عصبی که براساس یکی از دستورالعمل‌ها آموزش دیده باشد، در صورتی که تشکیل کهکشان‌ها وابسته به یکدیگر باشند، ممکن است حدس‌های بدی را برای چگالی ارائه کند. خطای پیشگویی نشان می‌دهد شبکه عصبی، راه‌حل‌های منحصر‌به فرد با قوانین هر دستورالعمل را ایجاد می‌کند و قطعاً نمی‌داند برای کهکشانی مثل راه شیری که براساس قوانین واقعی فیزیک شکل گرفته است چه راه‌حلی را ارائه کند. درنتیجه قبل از پیاده‌سازی روش‌ها در جهان واقعی، پژوهشگرها باید شبیه‌سازی‌ها را به واقعیت نزدیک‌تر کنند یا تکنیک‌های یادگیری ماشین عمومی‌تری را تطبیق دهند. به گفته‌ی اسپرینگل: «من بسیار تحت تأثیر احتمالات قرار دارم اما نباید زیاد از حد هیجان‌زده شد.»
اما ویلاسوسا ناوارو معتقد است که شبکه عصبی می‌توانست الگوهایی را در کهکشان‌های نامنظم در دو شبیه‌سازی مستقل پیدا کند. اکتشاف دیجیتالی این احتمال را افزایش می‌دهد که کیهان واقعی ممکن است درحال پنهان‌سازی پیوندی مشابه بین کیهان بزرگ و کیهان کوچک باشد. او می‌گوید: «این روش زیبا است چراکه رابطه‌‌ای را بین کل جهان و یک کهکشان ایجاد می‌کند.»
نظرات