Dve 'lepeze' koja odgovaraju dvema glavnim oblastima koje je DESI posmatrao, iznad i ispod ravni našeg Mlečnog puta. DESI je montiran na 4-metarskom teleskopu Nicholas U. Mayall Nacionalne naučne fondacije SAD u Nacionalnoj opservatoriji Kitt Peak (KPNO), programu NSF NOIRLab-a. DESI je napravio najveću 3D mapu našeg univerzuma do sada i koristi je za proučavanje tamne energije.

Zemlja je u centru dve lepeze, gde plavije tačke ukazuju na udaljenije objekte. Ovo je snimak animirane rotacije mape podataka DESI. Zasluge: DESI Collaboration/DOE/KPNO/NOIRLab/NSF/AURA/R. Proctor

Ako mislite da je galaksija velika, uporedite je sa veličinom univerzuma: to je samo sićušna tačka koja, zajedno sa ogromnim brojem drugih sićušnih tačaka, formira klastere koji se agregiraju u superklastere, koji se pak prepliću u filamente ispresecane prazninama – ogroman 3D skelet našeg univerzuma.

Ako vam to izaziva vrtoglavicu i pitate se kako se nešto tako ogromno može razumeti ili čak „videti“, odgovor je: nije lako. Naučnici kombinuju fiziku univerzuma sa podacima iz astronomskih instrumenata i grade teorijske modele, kao što je EFTofLSS (Efektivna teorija polja velikih razmera). Hranjeni posmatranjima, ovi modeli statistički opisuju „kosmičku mrežu“ i omogućavaju procenu njenih ključnih parametara.

Međutim, modeli poput EFTofLSS zahtevaju mnogo vremena i računarskih resursa. Budući da se astronomski skupovi podataka kojima raspolažemo eksponencijalno povećavaju, potrebni su nam načini da olakšamo analizu bez gubitka preciznosti. Zbog toga postoje emulatori: oni „imitiraju“ kako modeli reaguju, ali rade mnogo brže.

Budući da je ovo neka vrsta „prečice“, koliki je rizik od gubitka tačnosti?

Međunarodni tim, uključujući, između ostalih, INAF (Italija), Univerzitet u Parmi (Italija) i Univerzitet u Vaterlou (Kanada), objavio je u Journal of Cosmology and Astroparticle Physics studiju koja testira emulator Effort.jl, koji su dizajnirali. Studija je naslovljena „Effort.jl: brz i diferencijabilan emulator za Efektivnu teoriju polja velikih razmera univerzuma“.

Pokazuje da Effort.jl pruža suštinski istu ispravnost kao model koji imitira – ponekad čak i finije detalje – dok radi za nekoliko minuta na standardnom laptopu umesto na superkompjuteru.

„Zamislite da želite da proučavate sadržaj čaše vode na nivou njenih mikroskopskih komponenti, pojedinačnih atoma, ili čak manjih: u teoriji možete. Ali ako bismo želeli da detaljno opišemo šta se dešava kada se voda kreće, eksplozivni rast potrebnih proračuna čini to praktično nemogućim“, objašnjava Marco Bonici, istraživač na Univerzitetu u Vaterlou i prvi autor studije.

„Međutim, možete kodirati određena svojstva na mikroskopskom nivou i videti njihov efekat na makroskopskom nivou, naime kretanje tečnosti u čaši. To je ono što radi efektivna teorija polja, odnosno model poput EFTofLSS, gde je voda u mom primeru univerzum na vrlo velikim razmerama, a mikroskopske komponente su fizički procesi malih razmera.“

Teorijski model statistički objašnjava strukturu koja dovodi do prikupljenih podataka: astronomska posmatranjase unose u kod, koji izračunava „predviđanje“. Ali to zahteva vreme i značajnu računarsku snagu. S obzirom na današnji obim podataka – i ono što se očekuje od istraživanja koja su tek počela ili će uskoro početi (kao što su DESI, koji je već objavio svoju prvu seriju podataka, i Euclid) – nije praktično to iscrpno raditi svaki put.

„Zbog toga se sada okrećemo emulatorima poput našeg, koji mogu drastično smanjiti vreme i resurse“, nastavlja Bonici.

Emulator suštinski imitira ono što model radi: njegovo jezgro je neuronska mreža koja uči da povezuje ulazne parametre sa već izračunatim predviđanjima modela.

Mreža se obučava na izlazima modela i, nakon obuke, može generalizovati na kombinacije parametara koje nije videla. Emulator ne „razume“ samu fiziku: on vrlo dobro poznaje odgovore teorijskog modela i može predvideti šta bi on izbacio za novi ulaz.

Originalnost Effort.jl-a je u tome što dodatno smanjuje fazu obuke ugrađivanjem u algoritam znanja koje već imamo o tome kako se predviđanja menjaju kada se parametri menjaju: umesto da mreža „ponovo uči“ ove stvari, ona ih koristi od početka.

Effort.jl takođe koristi gradijente – tj. „koliko i u kom pravcu“ se predviđanja menjaju ako se parametar malo promeni – još jedan element koji pomaže emulatoru da uči iz mnogo manje primera, smanjujući potrebe za računarskom snagom i omogućavajući mu da radi na manjim mašinama.

Alat poput ovog zahteva opsežnu validaciju: ako emulator ne poznaje fiziku, koliko smo sigurni da njegova prečica daje tačne odgovore (tj. iste one koje bi dao model)? Novoobjavljena studija upravo na to odgovara, pokazujući da je tačnost Effort.jl-a – i na simuliranim i na stvarnim podacima – u bliskom slaganju sa modelom.

„A u nekim slučajevima, gde sa modelom morate da skratite deo analize da biste ubrzali stvari, sa Effort.jl-om smo uspeli da uključimo i te nedostajuće delove“, zaključuje Bonici.

Effort.jl se tako pojavljuje kao vredan saveznik za analizu predstojećih izdanja podataka iz eksperimenata poput DESI i Euclid, koji obećavaju da će značajno produbiti naše znanje o univerzumu na velikim razmerama.

Izvor: Phys.org (https://phys.org/ )