Terwijl kosmologen nadenken over het universum - en andere mogelijke universums - zijn de gegevens die voor hen beschikbaar zijn zo complex en enorm dat het voor mensen alleen een enorme uitdaging kan zijn om ze te begrijpen.

Bij het toepassen van wetenschappelijke principes die worden gebruikt om modellen te creëren voor het begrijpen van celbiologie en fysica voor de uitdagingen van kosmologie en big data, Cornell-onderzoekers hebben een veelbelovend algoritme ontwikkeld om een ​​veelzijdige reeks kansen in kaart te brengen.

De nieuwe methode, die onderzoekers hebben gebruikt om modellen van het universum te visualiseren, zou kunnen helpen bij het oplossen van enkele van de grootste mysteries van de natuurkunde, zoals de aard van donkere energie of de waarschijnlijke kenmerken van andere universa.

"Wetenschap werkt omdat dingen zich veel eenvoudiger gedragen dan waar ze recht op hebben, " zei James Sethna, hoogleraar natuurkunde en senior auteur van "Visualizing Probabilistic Models With Intensive Principal Component Analysis, " die op 24 juni online werd gepubliceerd in de Proceedings van de National Academy of Sciences . "Zeer gecompliceerde dingen leiden uiteindelijk tot vrij eenvoudig collectief gedrag."

Dat, hij zei, is omdat niet elke factor in een systeem significant is. Bijvoorbeeld, miljoenen atomen kunnen betrokken zijn bij een fysieke botsing, maar hun gedrag wordt bepaald door een relatief klein aantal constanten. Gegevens over het heelal verzameld door krachtige telescopen, echter, heeft zoveel parameters dat het voor onderzoekers een uitdaging kan zijn om erachter te komen welke metingen het belangrijkst zijn om inzichten te onthullen.

Het algoritme, ontwikkeld door eerste auteur Katherine Quinn, MEVROUW. '16, doctoraat '19 - stelt onderzoekers in staat een groot aantal waarschijnlijkheden in beeld te brengen om patronen of andere informatie te zoeken die nuttig kan zijn - en geeft hen een betere intuïtie voor het begrijpen van complexe modellen en gegevens.

"Omdat we veel grotere en betere datasets hebben, met terabytes en terabytes aan informatie, het wordt steeds moeilijker om ze echt te begrijpen, "Zei Quinn. "Een persoon kan niet gewoon gaan zitten en het doen. We hebben betere algoritmen nodig die kunnen extraheren waar we in geïnteresseerd zijn, zonder te zeggen waar je op moet letten. We kunnen niet zomaar zeggen, 'Zoek naar interessante universums.' Dit algoritme is een manier om informatie te ontwarren op een manier die de interessante structuur van de gegevens kan onthullen."

Wat de taak van de onderzoekers verder compliceerde, was het feit dat de gegevens uit waarschijnlijkheidsreeksen bestaan, in plaats van onbewerkte afbeeldingen of cijfers. "Het is een lastiger probleem om op te lossen, ' zei Quinn.

Hun oplossing maakt gebruik van verschillende eigenschappen van kansverdelingen om een ​​verzameling dingen te visualiseren die zouden kunnen gebeuren. Naast kosmologie, hun model heeft toepassingen voor machine learning en statistische fysica, die ook werken in termen van voorspellingen.

Om het algoritme te testen, de onderzoekers gebruikten gegevens van de Planck-satelliet van de European Space Agency, en bestudeerde het met co-auteur Michael Niemack, universitair hoofddocent natuurkunde, wiens lab instrumenten ontwikkelt om de vorming en evolutie van het universum te bestuderen door microgolfstraling te meten. Ze pasten het model toe op gegevens over de kosmische microgolfachtergrond - straling die was overgebleven uit de vroegste dagen van het universum.

Het model produceerde een kaart met mogelijke kenmerken van verschillende universums, waarvan ons eigen universum één punt is. Deze nieuwe methode om de kwaliteiten van ons universum te visualiseren, benadrukt de hiërarchische structuur van het door donkere energie en donkere materie gedomineerde model dat zo goed past bij de kosmische achtergrondgegevens van microgolven. Hoewel de structuur niet verrassend is, deze visualisaties bieden een veelbelovende aanpak voor het optimaliseren van kosmologische metingen in de toekomst, zei Niemack.

Volgende, de onderzoekers zullen proberen deze aanpak uit te breiden om meer parameters voor elk datapunt mogelijk te maken. Het in kaart brengen van dergelijke gegevens zou nieuwe informatie over ons universum kunnen onthullen, andere mogelijke universums of donkere energie - die de dominante vorm van energie in ons universum lijkt te zijn, maar waarover natuurkundigen nog steeds weinig weten.

"We gebruiken alleen ruwe modellen om uit te leggen wat donkere energie zou kunnen zijn, of hoe het met de tijd zou kunnen evolueren, Niemack zei. "Er zijn een hele reeks verschillende parameters die aan de modellen kunnen worden toegevoegd, en dan kunnen we die visualiseren en beslissen welke belangrijke metingen prioriteit moeten krijgen, om te proberen te begrijpen welk model van donkere energie ons universum het beste beschrijft."