Bild https://www.peakpx.com/.
Ett internationellt team lett av forskare vid Institute of
Cosmos Sciences vid Universitetet i Barcelona (ICCUB) har utvecklat en ny metod
som kan förbättra vår förståelse av universums expansion och mörk energi. Typ Ia-supernovor är de explosiva händelserna hos vita dvärgstjärnor.
Eftersom de tenderar att explodera med nästan samma inneboende ljusstyrka
använder astronomer dem som "standardljus": genom att jämföra deras
kända verkliga ljusstyrka med deras upplevda ljusstyrka från jorden kan
forskare mäta kosmiska avstånd.
Denna teknik var avgörande för att upptäcka att universums
expansion accelererar. Något som tillskrivs mörk energi. Det finns dock en hake den att alla typ Ia-supernovor
är inte exakt likadana.
Under de senaste två decennierna har astronomer upptäckt att
ljusstyrkan hos dessa supernovor beror en del på de galaxer där de exploderar.
Till exempel tenderar supernovor i de mest massiva eller äldsta galaxerna att
se något annorlunda ut än de i mindre eller yngre galaxer.
Hittills hade dessa effekter korrigerats med enkla,
ungefärliga justeringar, vilket annars skulle kunna begränsa hur exakt vi kan mäta
avstånden till dessa supernovor.
Den nya studien tar itu med detta problem genom att
modellera allt på en gång. Supernovaexplosioner, galaxerna där de finns, dammet som dämpar och rödfärändrar deras ljus, frekvensen med vilken supernovor
uppstår under kosmisk tid och till och med universums egen expansion.
Istället för att analysera varje del separat byggde teamet
en enda, självkonsekvent modell som kopplar samman alla dessa element fysiskt
och statistiskt.
"Ett kraftfullt sätt att modellera universum är att
simulera det ab initio i datorn med hjälp av bayesiansk inferens ," beskriver Raúl Jiménez (ICREA-ICCUB), medförfattare till
studien. "Detta ger en metod att variera alla möjliga parametrar samtidigt
för att förutsäga vilket universum vi lever i. Dessutom kan man genom att ha
denna kapacitet, undersöka möjliga 'okänd eller okända' systematik för att förstå
denna effekt. Effekten av dessa systematik i vår slutsats är utan tvekan den
viktigaste saknade ingrediensen i nuvarande metoder för att modellera
universum."
För att göra detta ambitiösa angreppssätt beräkningsmässigt
genomförbart använde teamet en modern uppsättning tekniker som kallas
simuleringsbaserad inferens.
Metoden fungerar enligt följande: först simulerar
forskare många möjliga universum med hjälp av fysiska modeller; Därefter lär
sig ett neuralt nätverk (en typ av artificiell intelligens) hur den simulerade
datan relaterar till de underliggande fysiska parametrarna och slutligen kan
det tränade systemet dra slutsatser direkt från verkliga observationer. Detta möjliggör analys av tiotusentals supernovor samtidigt,
något som skulle vara omöjligt med traditionella metoder. Förutom att förbättra mätningarna av mörk energi belyser
studien också hur och när typ Ia-supernovor bildas.
Ett av de viktigaste resultaten är att metoden kan uppskatta
galaxavstånd (rödförskjutning) mycket exakt med endast bilder. Rödförskjutning mäter hur mycket en galax ljus sträcks ut
när universum expanderar. Det visar hur långt bort ett objekt är i tid och rum.
Det nya tillvägagångssättet uppnår en precision jämförbar
med spektroskopiska mätningar men utan behov av spektra. Detta är avgörande,
eftersom framtida himmelsundersökningar kommer att upptäcka miljontals
supernovakandidater men endast en liten andel kan realistiskt studeras med
spektroskopi.
Vera C. Rubin-observatoriet, som för närvarande byggs i
Chile, kommer snart att påbörja en tioårig himmelundersökning. Det kommer att
upptäcka ett aldrig tidigare skådat antal supernovor, varav cirka 99 % endast
kommer att observeras fotometriskt det vill säga via bilder i olika färger.
"Till skillnad från andra ramverk, som kräver
analytiska förenklingar, är vår kompromisslösa end-to-end-simuleringsbaserade
inferensmetod unikt kapabel att extrahera all kosmologisk och astrofysisk
information från Rubin-observatoriets hårt förvärvade data, samtidigt som vi
undviker fallgroparna med urvals- och modelleringsbias," säger Konstantin
Karchev (ICCUB-SISSA Trieste), huvudförfattare till studien.
Resultaten av studien visar att kombinationen av fysikbaserad
modellering med artificiell intelligens kan övervinna viktiga begränsningar i
nuvarande kosmologiska analyser. Enligt författarna kan detta tillvägagångssätt
förbättra kosmologiska begränsningar med upp till en faktor fyra, jämfört med
traditionella metoder som enbart bygger på en liten delmängd spektroskopiskt
observerade supernovor.
Studiens resultat är publicerad i Nature Astronomy,