طرح پژوهشی «کمیسازی محتوای ریختشناسی ساختارهای بزرگمقیاس» با حمایت بنیاد ملی علم ایران و به همت محققان دانشگاه شهید بهشتی انجام شد.
به گزارش خبرگزاری مهر به نقل از معاونت علمی، فناوری و اقتصاد دانشبنیان ریاستجمهوری، محمدحسین جلالی کنفی، پژوهشگر پسادکتری دانشگاه شهید بهشتی، با راهنمایی سید محمدصادق موحد، در قالب طرحی پژوهشی مورد حمایت بنیاد ملی علم ایران، به تحلیل ساختارهای بزرگمقیاس کیهانی پرداخته است.
جلالی کنفی با اشاره به اهمیت «تار کیهانی» به عنوان شبکه عظیم و بههمپیوسته کهکشانها، گفت: مطالعه این شبکه اطلاعات ارزشمندی درباره قوانین بنیادین فیزیک، ماهیت ماده تاریک و انرژی تاریک در اختیار ما قرار میدهد. با این حال، روشهای سنتی که عمدتاً بر آمار توزیع کهکشانها تکیه دارند، بخش مهمی از اطلاعات هندسی و توپولوژیک را نادیده میگیرند.
نوآوری در تحلیل با تلفیق ریختشناسی وزندار و هوش مصنوعی
این پژوهشگر درباره نوآوریهای این مطالعه توضیح داد: در این طرح، با بهکارگیری «ریختشناسی وزندار» و استفاده از تابعهای مینکوفسکی، علاوه بر شکل کلی ساختارها، اطلاعات مربوط به جهتگیریها و الگوهای غیرخطی نیز در تحلیلها لحاظ شد. از آنجا که توصیف این پیچیدگیها با روابط تحلیلی ساده ممکن نبود، از روش نوین “استنتاج مبتنی بر شبیهسازی” (Simulation-Based Inference) استفاده کردیم.
او ادامه داد: در این فرآیند، با تولید هزاران شبیهسازی عددی توسط ابررایانهها، شبکههای عصبی مصنوعی آموزش دیدند تا پیوند میان ویژگیهای ریختشناختی ساختارها و پارامترهای بنیادی کیهان را استخراج کنند؛ رویکردی که شناسایی الگوهای پنهان را امکانپذیر کرده است.
بهبود ۴۰ تا ۴۵ درصدی دقت در برآورد پارامترهای کیهانی
نتایج این پژوهش حاکی از موفقیت چشمگیر این روش جدید است. طبق یافتههای این مطالعه، ترکیب ریختشناسی وزندار با استنتاج مبتنی بر شبیهسازی، دقت برآورد پارامترهای بنیادی کیهان، از جمله چگالی ماده و دامنه نوسانات آن را به طور قابلتوجهی افزایش داده است؛ به طوری که در بررسی خوشههای کهکشانی پرجرم، دقت برآورد پارامترها بین ۴۰ تا ۴۵ درصد نسبت به روشهای مرسوم بهبود یافته است.
جلالی کنفی در پایان با تأکید بر اینکه اطلاعات نهفته در شکل و توپولوژی ساختارهای بزرگمقیاس، منبعی غنی برای شناخت روند تحول جهان از «مهبانگ» تاکنون است، خاطرنشان کرد: این پژوهش اثبات کرد که تلفیق روشهای نوین ریختشناسی با الگوریتمهای پیشرفته یادگیری ماشین، نقشه راه دقیقتری برای انجام آزمونهای کیهانشناسی و درک عمیقتر از جهان هستی پیش روی دانشمندان قرار میدهد.
