天文学者が史上最大規模の宇宙コンピューターシミュレーションを実施

国際的な天文学者チームが、史上最大規模と思われる宇宙論コンピューターシミュレーションを実施し、暗黒物質だけでなく通常の物質（惑星、恒星、銀河など）も追跡し、宇宙がどのように進化したのかを垣間見ることができた。

Flamingo のシミュレーションは、物理法則に従って、宇宙のすべての構成要素 (通常物質、暗黒物質、暗黒エネルギー) の進化を計算します。 シミュレーションが進むと、仮想銀河や銀河団が現れます。 三つ 葉 それはそうだった 出版された で 王立天文協会の月次通知1 つは方法を説明し、1 つはシミュレーションを示し、3 つ目はシミュレーションが宇宙の大規模構造をどの程度再現するかを検証します。

欧州宇宙機関 (ESA) が最近打ち上げたユークリッド宇宙望遠鏡や NASA の JWST などの施設は、銀河、クエーサー、星に関する膨大な量のデータを収集しています。 FLAMINGO のようなシミュレーションは、宇宙理論からの予測を観測データに結び付けることで、データの科学的解釈において重要な役割を果たします。

この理論によれば、私たちの宇宙全体の特性は、「宇宙パラメータ」と呼ばれるいくつかの数値（理論の最も単純なバージョンではそのうちの 6 つ）によって決定されます。 これらのパラメータの値は、さまざまな方法で非常に正確に測定できます。

そのような方法の 1 つは、初期宇宙から残ったかすかな背景光である宇宙マイクロ波背景放射 (CMB) の特性に依存しています。 ただし、これらの値は、銀河の重力が光を曲げる方法 (レンズ効果) に依存する他の技術で測定された値とは一致しません。 こうした「緊張」は、宇宙論の標準モデルである冷たい暗黒物質モデルの終焉を告げる可能性がある。

コンピューターシミュレーションは、科学者に測定における潜在的なバイアス（系統的誤差）を知らせることができるため、これらの緊張の原因を明らかにできる可能性があります。 これらの理由のどれもが緊張を説明するのに十分でない場合、理論は本当に問題になります。

これまで、コンピューターシミュレーションは観測と比較して冷たい暗黒物質のみを追跡していました。 「暗黒物質は重力を支配しますが、通常の物質の寄与はもはや無視できません。その寄与はモデルと観測の間の偏差に似ている可能性があるからです」と研究リーダーのジョブ・シャイエ氏（ライデン大学）は言う。

最初の結果は、正確な予測を行うにはニュートリノと通常物質の両方が必要であることを示していますが、それらは異なる宇宙論的観測間の緊張を排除するものではありません。

通常のバリオン物質 (バリオン物質としても知られる) も追跡するシミュレーションはより難しく、より多くの計算能力を必要とします。 これは、宇宙の全物質のわずか 16% を占める普通の物質が重力だけでなくガスの圧力も感じているためで、その圧力により物質が銀河間空間のかなたにある活動中のブラックホールや超新星によって銀河から吹き飛ばされる可能性があります。

これらの銀河間風の強さは星間物質で起こる爆発に依存しており、予測するのは非常に困難です。 さらに、質量は非常に小さいが正確にはわかっていない素粒子であるニュートリノの寄与も重要であるが、その運動はまだシミュレートされていない。

天文学者たちは、暗黒物質、通常物質、ニュートリノの構造の組成を追跡するための一連のコンピューターシミュレーションを完了しました。 博士号 「銀河風の影響は、比較的小規模な多くの異なるシミュレーションからの予測と、観測された銀河質量および銀河団内のガス分布とを比較することにより、機械学習を使用して校正されました」と学生のロイ・コグヒル（ライデン大学）は説明します。

研究者らは、さまざまな宇宙サイズとさまざまな解像度でスーパーコンピューターを使用して、校正観測を最もよく表すモデルをシミュレーションしました。 さらに、彼らは銀河風の強さ、ニュートリノの質量、わずかに小さいながらも大きな体積のシミュレーションにおける宇宙論的パラメータなどのモデルパラメータを変更しました。

最大のシミュレーションでは、エッジが 100 億光年離れた立方体ボリューム内の 3,000 億個の解像度要素 (小さな銀河の質量を持つ粒子) を使用します。 これは、通常の物質を対象としたこれまでで最大の宇宙論的コンピュータシミュレーションであると考えられている。 「このシミュレーションを可能にするために、私たちは計算作業を 30,000 以上の CPU に効率的に分散する新しいコード SWIFT を開発しました」とライデン大学の Matthieu Schaller 氏は述べています。

FLAMINGO シミュレーションは、宇宙に関する新しい仮想ウィンドウを開き、宇宙論的観測を最大限に活用するのに役立ちます。 さらに、大量の（仮想）データは、新しい理論的発見を行ったり、機械学習を含む新しいデータ分析手法をテストしたりする機会を生み出します。

天文学者は機械学習を使用して、ランダムな仮想宇宙を予測できるようになります。 大規模構造の観測と比較することで、宇宙論的パラメータの値を測定することができます。 さらに、銀河風の影響を抑制する観測結果と比較することで、対応する不確実性を定量化することができます。