伦敦大学学院领导的一个研究小组利用人工智能(AI)技术，从过去70亿年宇宙中暗物质和可见物质的地图中，更精确地推断出暗能量的影响和性质。

这项研究提交给了《皇家天文学会月报》，并在arXiv预印本服务器上提供，由暗能量调查合作进行。研究人员将宇宙的关键特征(包括暗能量的总密度)从地图中推断出来的精度提高了一倍。

精确度的提高使研究人员能够排除以前可能想象得到的宇宙模型。

暗能量是一种加速宇宙膨胀的神秘力量，据认为，暗能量约占宇宙成分的70%(暗物质，一种不可见的物质，其引力吸引着星系，占25%，正常物质仅占5%)。

主要作者尼尔·杰弗里博士(伦敦大学学院物理与天文学)说:“利用人工智能从计算机模拟的宇宙中学习，我们将对宇宙关键特性的估计精度提高了两倍。

“如果没有这些新技术，我们将需要四倍的数据量来实现这种改进。这相当于绘制另外3亿个星系的地图。”

合著者Lorne Whiteway博士(UCL物理与天文学)说:“我们的发现与目前关于暗能量作为‘宇宙常数’的最佳预测一致，它的值不随空间或时间变化。然而，它们也允许不同的解释是正确的灵活性。例如，我们的引力理论仍然有可能是错误的。”

与之前对暗能量勘测图(于2021年首次发表)的分析一致，这些发现表明，宇宙中的物质比爱因斯坦广义相对论所预测的更平稳地扩散 ——“更少块状 ”。然而，与之前的分析相比，该研究的差异不太显著，因为误差线更大。

暗能量调查图是通过一种叫做弱引力透镜 的方法获得的——也就是说，观察来自遥远星系的光在到达地球的途中是如何被干预物质的引力弯曲的。

该合作项目分析了1亿个星系形状的扭曲，以推断这些星系前景中所有物质的分布，包括暗物质和可见物质。最终绘制的地图覆盖了南半球四分之一的天空。

在这项新研究中，研究人员利用英国政府资助的超级计算机，根据暗能量调查物质图的数据，对不同的宇宙进行了模拟。每种模拟都有不同的宇宙数学模型作为支撑。

研究人员从这些模拟中创建了物质图。一个机器学习模型被用来从这些地图中提取与宇宙模型相关的信息。第二个机器学习工具，从许多具有不同宇宙模型的模拟宇宙的例子中学习，研究实际观察到的数据，并给出任何宇宙模型是我们宇宙的真实模型的几率。

这项新技术使研究人员能够使用比以前的方法更多的地图信息。仿真在DiRAC高性能计算(HPC)设备上运行。

暗宇宙项目的下一阶段——包括去年夏天启动的欧洲航天局欧几里得任务——将大大增加我们对宇宙大尺度结构的数据量，帮助研究人员确定宇宙的意外平滑是当前宇宙模型错误的标志，还是有另一种解释。

目前，这种平滑性与基于宇宙微波背景辐射(CMB)——宇宙大爆炸遗留下来的光——的分析所预测的结果不一致。

暗能量调查合作项目由美国能源部费米国家加速器实验室(Fermilab)主办，来自7个国家25个机构的400多名科学家参与其中，伦敦大学学院是该项目的创始成员之一。

该合作项目利用5.7亿像素的暗能量相机(世界上最强大的数码相机之一)在6年(2013年至2019年)期间拍摄的夜空照片，对数亿个星系进行了编目。这台相机的光学校正器是在伦敦大学学院制造的，安装在智利国家科学基金会Cerro Tololo美洲天文台的望远镜上。