DeepVoid – прорыв в анализе крупномасштабной структуры Вселенной, позволяющий изучать темную энергию и гравитацию с невиданной ранее точностью
Учёные совершили прорыв в исследовании крупномасштабной структуры Вселенной, создав DeepVoid – систему, которая с невероятной точностью определяет космические пустоты. Эта разработка значительно улучшит понимание тёмной энергии и гравитации. DeepVoid использует нейронную сеть, обученную распознавать пространственные структуры, формирующиеся под действием гравитации. Вместо того, чтобы искать пустоты как просто области с низкой плотностью галактик (что, как показала практика, даёт противоречивые результаты), DeepVoid анализирует «тензор приливов» – математическое описание гравитационного воздействия на вещество. Так учёные анализируют не просто наличие или отсутствие галактик в определённом районе, а как эти галактики распределены и взаимодействуют друг с другом под воздействием гравитации – это позволяет более точно определить границы космических пустот. Иллюстрация: Dalle Обучение проводилось на основе данных симуляции IllustrisTNG, одной из самых масштабных компьютерных моделей Вселенной. Для этой задачи использовалась архитектура U-Net, позволяющая сети эффективно обрабатывать трёхмерные данные. Преимущества DeepVoid в высокой точности определения космических пустот (показатель F1-мера для пустот достигает 0.96 при межчастичном расстоянии 1 Мпк в симуляции IllustrisTNG), и способности работать даже с неполными данными, что очень важно для наблюдений за дальними галактиками. Это открывает новые перспективы для исследования тёмной энергии, изучения гравитации и проверки космологических моделей, используя анализ формы и размера космических пустот. DeepVoid позволяет минимизировать необходимость в постобработке данных, что упрощает анализ результатов. Система может быть адаптирована под различные типы данных, включая будущие обширные исследования галактик, такие как DESI, LSST, Euclid и другие, что позволит создать более полную и точную карту Вселенной. В будущем планируется усовершенствовать DeepVoid, включив в анализ дополнительные данные о галактиках, что повысит точность определения пустот. Работа над системой продолжается, и её применение к реальным данным наблюдений сулит новые открытия в области космологии.
Учёные совершили прорыв в исследовании крупномасштабной структуры Вселенной, создав DeepVoid – систему, которая с невероятной точностью определяет космические пустоты. Эта разработка значительно улучшит понимание тёмной энергии и гравитации.
DeepVoid использует нейронную сеть, обученную распознавать пространственные структуры, формирующиеся под действием гравитации. Вместо того, чтобы искать пустоты как просто области с низкой плотностью галактик (что, как показала практика, даёт противоречивые результаты), DeepVoid анализирует «тензор приливов» – математическое описание гравитационного воздействия на вещество.
Так учёные анализируют не просто наличие или отсутствие галактик в определённом районе, а как эти галактики распределены и взаимодействуют друг с другом под воздействием гравитации – это позволяет более точно определить границы космических пустот.
Обучение проводилось на основе данных симуляции IllustrisTNG, одной из самых масштабных компьютерных моделей Вселенной. Для этой задачи использовалась архитектура U-Net, позволяющая сети эффективно обрабатывать трёхмерные данные.
Преимущества DeepVoid в высокой точности определения космических пустот (показатель F1-мера для пустот достигает 0.96 при межчастичном расстоянии 1 Мпк в симуляции IllustrisTNG), и способности работать даже с неполными данными, что очень важно для наблюдений за дальними галактиками. Это открывает новые перспективы для исследования тёмной энергии, изучения гравитации и проверки космологических моделей, используя анализ формы и размера космических пустот. DeepVoid позволяет минимизировать необходимость в постобработке данных, что упрощает анализ результатов.
Система может быть адаптирована под различные типы данных, включая будущие обширные исследования галактик, такие как DESI, LSST, Euclid и другие, что позволит создать более полную и точную карту Вселенной. В будущем планируется усовершенствовать DeepVoid, включив в анализ дополнительные данные о галактиках, что повысит точность определения пустот. Работа над системой продолжается, и её применение к реальным данным наблюдений сулит новые открытия в области космологии.
