这份论文1月6日发表在预印网arXiv，并已提交给同行评审。这个名为“基于机器学习模拟的宇宙学和天体物理学”（Cosmology and Astrophysics with Machine Learning Simulations，缩写为CAMELS）项目，用机器学习算法模拟构建了2,000个数字宇宙。

所谓“神经网络系统”是人工智能领域内的一个分支，用复杂的算法让机器从海量的数据中找到规律。也就是说，这类系统在一定程度上具有人类大脑总结、思考的能力，所以这类系统被称为“神经网络”。现在各个科研领域都在使用这些系统，它们能够帮助科研人员节省大量时间。科学家能够在“神经网络”得到的初步结果或有了某些新发现后，更有针对性地进行进一步研究。

换言之，这套系统总结出某种规律，可以帮助天文学家通过研究构建宇宙的基础单元，探究整体宇宙的某些特性。

科学家在一些用人工智能技术构建的神经网络模拟宇宙系统中，也看到了这样的现象——从单个星系的特性居然能推测出整个宇宙的组成结构。

研究组花了半年的时间调查这套神经网络发现的规律。一开始他们怀疑也许是某些错误造成的。结果发现这种规律的确存在。他们还发现，星系各方面大约一共17个特性都与整个宇宙的物质密度相关。而且，这不会随着星系的合并、恒星爆炸、黑洞喷发等各种演化过程的出现而改变。

这个规律令人意外。于是研究人员再分析来自另外几十个模拟宇宙内的几千个星系。这几十个模拟宇宙是这套神经网络之前还没有研究过的。研究人员用这套规律推测这些数字宇宙的物质密度，结果发现推测结果的误差还不到10%。

这些模拟宇宙里面物质和暗能量的比例不相同。物质所占的比例从10%～50%不等，其余的成分为暗能量。这里所说的物质包括普通可见物质和不可见的暗物质，暗能量则是科学家认为推动宇宙不断膨胀的因素。科学家认为现实宇宙中三分之一的成分是可见物质和不可见的暗物质，另外三分之二是暗能量。

这些模拟宇宙启动后能够自动演化：暗物质和可见物质交织互动形成各个星系，还能看到宇宙中像超新星爆发、位于星系中心的超级黑洞向两端发出喷射流等激烈的天文事件。

合作研究员普林斯顿大学（Princeton University）的学生居比特·丁（Jupiter Ding）接手一个任务，用机器学习算法构建一套神经网络系统，用于研究这些模拟宇宙。这项任务本来只是一个机会让居比特·丁熟悉机器学习算法。

据《连线》（Wired）杂志报导，这项研究的主要作者之一纽约Flatiron Institute的理论天体物理学家弗朗西斯科·维拉埃斯库萨-纳瓦罗（Francisco Villaescusa-Navarro）说：“这是一个全新的思路。不需要测量数百万个星系，就看一个星系。这居然起作用，这太神奇了。”

宇宙学家通常需要研究尽可能多的星系、天体，才能更好地了解宇宙的组成结构。但是一些研究者发现他们近年开发的一个机器学习系统有着不一样的研究能力：这个系统只需要探查其中一个模拟星系的特性，就能预测出它所在的整套模拟宇宙的组成结构。

这套系统有了新的发现。居比特·丁开发的神经网络在研究了多个数字宇宙内近百万个模拟星系后，居然发现，其实从每个星系的体积、组成结构、质量等十几个特征，就能推测出它所在的整套模拟宇宙的物质密度。

文章来源：《天文研究与技术》 网址: http://www.twyjyjs.cn/zonghexinwen/2022/0627/762.html