周一 · 知古通今 | 周二 · 牧夫专栏 周三 · 太空探索 | 周四 · 观测指南 周五 · 深空探测 |周六 · 茶余星话 | 周日 · 视频天象 编译：余路汉 校对：雨田 编排：观夜 后台：库特莉亚芙卡 李子琦 徐⑨坤 胡永葳 原文链接：https://www.nao.ac.jp/news/science/2021/20210702-cfca.html  挖掘被埋藏的暗物质地图  本研究的想象图。通过使用深层学习技术（深度学习）去除观测数据中的噪音，以此来发现埋藏的暗物质信息。 在观测宇宙得到的数据中，除了想要得到的信息以外还夹杂着各种各样的噪音。我们想要得到宇宙更加真实的姿态，为此尝试了用观测、模拟、人工智能（AI）的组合手段来去除其中夹杂的噪音。想要接近那看不见且支配宇宙的物质原形，就得开发新的技术。 宇宙质量的大约80%是由电磁波观测不到的、身份不明的‘暗物质’所组成。为了弄清其真实身份，就得知道宇宙各处存在着多少暗物质，也就是说，了解“暗物质地图”是其关键所在。虽然暗物质不发光，但由于其重力表现，而使背景中的星系成像扭曲，也就是所谓的‘引力透镜效应’，也正因为这个效应能使我们得知暗物质的存在。基于这个原理，我们尝试着用“昴”天文望远镜的超广视野主焦点照相机 Hyper Suprime-Cam（以下简称HSC）来观测星系成像的扭曲，从而绘制暗物质地图。 然而通过观测描绘的暗物质地图，发现其分布被众多噪音所掩盖。由于无法确认被扭曲之前的星系的形状是怎样的，且越是昏暗的星系越是难以测量其形状，故而产生了此类噪音。此次的研究指出，除了那些暗物质特别集中的星团以外，在暗物质密度较低的区域更加会受到噪音的影响，从而无法光靠观测数据提炼出正确的暗物质的信息。 在统计数理研究所进行研究的日本国立天文台助教白崎正人研究小组，利用人工智能（AI）的深层学习技术，开发了从观测数据得到的暗物质地图中去除噪音的技术。为了稳定AI的运行，必须通过大量不含噪音的暗物质地图，以及包含与观测数据极其近似噪音的暗物质地图来进行AI训练。研究小组使用了大约2万5000组无噪音、含噪音的模拟暗物质地图组合，通过日本国立天文台的天文专用超级电脑“阿弖流为2号”进行了模拟训练。然后，在训练过的AI中输入HSC的观测数据，成功的消除了噪音并制作了暗物质地图。 像这样使用去除噪音后的暗物质地图，就可以对以往那些光凭观测无法有效测量的暗物质低密度区域，比如对于质量不及星系团十分之一的星系群就能够进行有效探查了。目前我们正准备将这次开发的新技术应用在“昴”天文望远镜HSC测量观测的最终数据上，有望绘制出1400平方度的详细暗物质地图。基于此地图，我们希望通过更加详细的调查暗物质的基本性质，从而更加接近其真实的形态。 本研究证实，通过巧妙地利用AI数据分析，提取出隐藏在噪音中的暗物质信息，提高了HSC数据的科学价值。通过观测、模拟、AI技术的组合拳，展示了天文学迈向新领域的可能性。 本研究成果，作为Shirasaki et al. “Noise reduction for weak lensing mass mapping: an application of generative adversarial networks to Subaru Hyper Suprime-Cam first-year data”，刊登在英国《王立天文学会刊》2021年6月号上。 责任编辑：王雨阳 牧夫新媒体编辑部 『天文湿刻』 牧夫出品 微信公众号：astronomycn  虚拟宇宙里的暗物质 图像提供与版权： Tom Abel & Ralf Kaehler (KIPAC, SLAC), AMNH 谢谢阅读  |
APP下載|手机版|爱牧夫天文淘宝店|牧夫天文网 ( 公安备案号21021102000967 )|网站地图|辽ICP备19018387号
GMT+8, 2024-11-22 02:31 , Processed in 0.060974 second(s), 7 queries , Gzip On, Redis On.
