4 دقیقه
آنها زمانی فانوسهای کیهانی بودند که بیچونوچرا به آنها اعتماد میشد. ابرنواخترهای نوع یکم ای، یعنی کوتولههای سفیدی که با انفجار خود رفتاری شبیه شمعهای استاندارد پیدا میکنند، به اخترشناسان نشان دادند که انبساط جهان شتاب گرفته است. اما نوری که از آنها میرسد، ردپای محیط پیرامونشان را نیز در خود دارد و همین پیچیدگی، بیسروصدا دقت ما را در خواندن فاصلههای کیهانی محدود کرده است.
اکنون گروهی به رهبری مؤسسه علوم کیهان در دانشگاه بارسلونا این ردپاها را در یک تصویر واحد و قابل یادگیری به هم بافتهاند. این چارچوب تازه که در نشریه نیچر آسترونومی منتشر شده و «سیگارز» نام دارد، ستارگان در حال انفجار، کهکشانهای میزبان، غبار میانراهی، نرخ ابرنواخترها در گذر زمان و انبساط کیهان را معماهایی جداگانه نمیبیند که باید مستقل از هم حل شوند. در عوض، یک مدل خودسازگار میسازد که به همه این اجزا اجازه میدهد یکدیگر را توضیح دهند و تکمیل کنند.
چرا این موضوع مهم است؟ چون محیط اهمیت دارد. ابرنواخترهایی که در کهکشانهای پیر و پرجرم رخ میدهند، میتوانند با نمونههایی که در میزبانهای جوان و ستارهزا دیده میشوند متفاوت به نظر برسند. غبار میتواند نور را سرختر و کمنورتر نشان دهد. اثرهای گزینشی نیز آرامآرام وارد تحلیل میشوند. اصلاحات سنتی مفیدند، اما چندان ظریف نیستند. آنها بیشتر مشکلات را مرتب میکنند، ولی سوگیریهای ظریفی باقی میگذارند که هنگام اندازهگیری بسیار دقیق انرژی تاریک روی هم انباشته میشوند.
.avif)
سیگارز با شبیهسازی بسیاری از جهانهای محتمل بر پایه اصول بنیادی و آموزش یک شبکه عصبی، با این آشفتگی روبهرو میشود تا تشخیص دهد دادههای رصدی چگونه به پارامترهای فیزیکی زیرین بازمیگردند. میتوان آن را شبیه آموزش دادن به یک ماشین دانست تا صفحهای شلوغ و پرنویز را بخواند؛ با نشان دادن هزاران نسخه چاپی پیشنویس، تا در نهایت دستور زبان کیهان را یاد بگیرد. این روش که «استنتاج مبتنی بر شبیهسازی» نام دارد، به گروه پژوهشی امکان میدهد دهها هزار ابرنواختر نورسنجی را همزمان تحلیل کند؛ مقیاسی که راهبردهای طیفسنجی توان رقابت با آن را ندارند.
این رویکرد دستاوردی کاملا عملی دارد. طیفسنجی انتقالبهسرخهای دقیقی ارائه میدهد، اما زمانبر و پرهزینه است. رصدخانه ورا سی روبین بهزودی پایگاههای داده را با میلیونها پدیده گذرای کیهانی پر خواهد کرد و حدود ۹۹ درصد آنها فقط تصاویری در چند فیلتر خواهند داشت، نه طیف. سیگارز میتواند انتقالبهسرخ کهکشانها و دیگر پارامترهای کلیدی را تنها از روی تصاویر استنباط کند و در بسیاری موارد به عدمقطعیتهایی همتراز با اندازهگیریهای طیفسنجی برسد. این ادعای کوچکی نیست. چنین قابلیتی، آنچه را میتوانیم با پیمایشهای عمدتا نورسنجی انجام دهیم، دگرگون میکند.
رائول خیمنس از مؤسسه علوم کیهان دانشگاه بارسلونا میگوید: «یکی از روشهای قدرتمند برای مدلسازی جهان، شبیهسازی آن از بنیاد در رایانه با استفاده از استنتاج بیزی است.» هدف فقط بهتر شدن چند عدد روی یک نمودار نیست. مسئله، توانایی کاوش سامانهمندیهای ناشناخته است؛ همان چیزهایی که حتی نمیدانستید باید نگرانشان باشید، زیرا مدل اجازه میدهد همه پارامترها همراه با هم تغییر کنند و پیوندها و سوگیریهای پنهان آشکار شوند.
کنستانتین کارچف، نویسنده اصلی مقاله، این رویکرد را راهحلی سرتاسری برای عصر روبین میداند: آسمانهای شبیهسازیشده و واقعگرایانه بسازید، به یک شبکه عصبی نگاشت میان مشاهده و فیزیک را بیاموزید، سپس این دانش را بدون تکیه بر میانبرهای تحلیلی که پیچیدگی را پنهان میکنند، روی دادههای واقعی پیمایشها به کار بگیرید.
نتیجه، چارچوبی است که میتواند تنها از تصاویر، اطلاعات کیهانشناختی و اخترفیزیکی بیشتری نسبت به رویکردهای سنتی متکی بر طیفسنجی استخراج کند.
فراتر از دقیقتر کردن اندازهگیریهای انرژی تاریک، این روش یکپارچه پنجرهای به سوی اخترفیزیک خود انفجارها باز میکند. پژوهشگران با مدلسازی همزمان این که نرخ ابرنواخترها چگونه به سن ستارهای و ویژگیهای کهکشان میزبان وابسته است، میتوانند ایدههای رقیب را درباره این که کدام سامانههای دوتایی رویدادهای نوع یکم ای را پدید میآورند و این مسیرها در طول زمان کیهانی چگونه تحول مییابند، بیازمایند.
از نظر کمی، نویسندگان برآورد میکنند که رویکرد آنها میتواند در مقایسه با راهبردهایی که به نمونهای محدود از دادههای طیفسنجی تکیه دارند، قیود کیهانشناختی را تا چهار برابر دقیقتر کند. از نظر کیفی، این کار مسئله را از شکار طیفها به ساختن وفاداری در استنتاج سرتاسری منتقل میکند: شبیهسازیهای بهتر، شبکههای هوشمندتر و مدلهایی که واقعیت درهمتنیده مشاهدات را به رسمیت میشناسند.
رصدخانه روبین موجی بیسابقه از دادههای نورسنجی را در اختیار دانشمندان خواهد گذاشت. ابزارهایی مانند سیگارز وعده میدهند این سیلاب را به شفافیت تبدیل کنند، البته اگر جامعه علمی روی شبیهسازیهای نیرومند، شناخت دقیق اثرهای گزینشی و مقایسههای مداوم میان تحلیلهای تصویرمحور و طیفسنجی سرمایهگذاری کند. آیا آمادهایم جهان را با چشمانی تازه بخوانیم؟







.webp)






نظر بگذارید
نظرات (3)
خیلی امیدبخشه اما احساس میکنم کمی اغراق داره؛ ۴ برابر دقیقتر؟ شاید. وابستگی زیاد به شبیهسازی یعنی احتمال خطای سیستماتیک جدید. باید آزمایشهای واقعی باشه، وگرنه چالش داریم.
آیا واقعا میشه به شبیهسازیها و شبکه عصبی اینقدر اعتماد کرد؟ اگه سوگیریهای پنهان کامل شناخته نشه چی؟ باید حتما با طیفسنجی هم چک بشه ، به نظر من
واااااای، این «سیگارز» انگار جادو کرده! فکر نمیکردم از عکسها بتونن اینقدر اطلاعات بکشن بیرون، هیجانزدهم ولی یه ذره هم ترس...