宇宙学者はニューラルネットワークを使って暗黒物質マップを簡単に構築する

暗黒物質のシミュレーションを実行するには計算コストがかかるため、宇宙学者のチームは代わりに AI モデルに目を向けています。

生成的敵対的ネットワーク（GAN）は、データからパターンを学習し、それを新しいサンプルで再現することに優れています。今回のケースでは、ローレンス・バークレー国立研究所の研究者を率いるチームは、弱い重力レンズ効果マップを入力として用い、同じ画像をより多くシミュレートして出力しました。

彼らはこのモデルをCosmoGANと名付け、今月初めにComputational Astrophysics and Cosmology誌に論文を発表しました。重力レンズ効果は、科学者が宇宙における暗黒物質の影響を研究する機会を提供します。遠方の銀河から地球に到達する光線は、暗黒物質の重力場を通過して曲げられ、レンズ効果を生み出します。

「収束マップは、視線に沿って空に見える重力レンズ効果の2Dマップです」と、論文の共著者でローレンス・バークレー国立研究所のデータサイエンス・エンゲージ・グループのグループリーダーを務めるデボラ・バード氏は説明する。

「視線に沿った大量の物質のピークに対応するピークが収束マップに存在する場合、その方向に大量の暗黒物質が存在することを意味します。」

こうしたマップのシミュレーションは、現実的なデータポイントをモデル化するために膨大な計算能力を必要とするため、コストがかかります。CosmoGANはより安価な代替手段を提供します。研究者たちは、他の宇宙論研究者による過去のシミュレーションから得られた800個の弱い重力レンズ収束マップを用いてCosmoGANを学習させ、1,000個の新しいマップを生成しました。

GANサンプルは、数値モデルから作成された地図と類似していました。「私たちが求めていたのは2つのこと、つまり正確さと高速性です」と、バークレー研究所計算宇宙論センターの研究科学者であるザリア・ルキッチ氏は述べています。「GANは、完全な物理シミュレーションとほぼ同等の精度を実現できる可能性を秘めています。」

研究者たちは現在、GANを2Dシミュレーションに使用していますが、将来的には3Dマップへの応用も検討しています。しかしながら、GANは学習が非常に難しいことで知られており、研究者たちは制御可能な特性を持つ新たな仮想宇宙を構築できることを期待しています。

「制御可能なGANを実現するというアイデアは、本質的に私たちが取り組んでいる問題全体の究極の目標です。制御可能なGANに基づく代替モデルを構築するために必要な物理シミュレーターを真にエミュレートできるようにすることです」と、論文の共著者であり、バークレー研究所の国立エネルギー研究科学計算センターの機械学習エンジニアであるムスタファ・ムスタファ氏は述べた。

「現在、私たちはここ数年でこの分野が進歩してきたことを踏まえ、トレーニングのダイナミクスを安定させる方法を模索しています。トレーニングを安定させることは、私たちが次にやりたいことを実際に実現するために極めて重要です。」®