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,
