暗能量与算法：人工智能如何破解宇宙的奥秘
我们宇宙的95%是不可见的，由物质引力和暗能量主导。几十年来，天体物理学家一直试图用经典的统计方法破解其本质。如今，人工智能和神经网络正在彻底改变宇宙学。通过基于模拟的推断（SBI）和生成模型，科学家们得以从宇宙网中提取前所未有的信息，将预测精度提高了一倍。但如果是一个算法在解读空间的褶皱，那么真正发现宇宙法则的究竟是
当我们仰望夜空时，所看到的只是现实的一个极其微小的部分。当代天体物理学告诉我们，宇宙中约68%的成分是一种神秘的力量，它正在加速宇宙的膨胀，被称为暗能量，而另外27%则由不可见的暗物质构成。仅剩的区区5%才构成了恒星、行星和我们自身。绘制并理解这95%的“不可见”部分，是现代宇宙学面临的最大挑战。
直到昨天，为了尝试揭示暗能量的本质，科学家们还依赖于复杂但僵化的人类统计方程。如今，一种新的透镜正在彻底改变天体物理学：人工智能。然而，正如我们将在本篇为《情景与反思》所做的深入探讨中所探索的那样，机器学习并非通过取代基础物理学来“神奇地”解开这个谜团；相反，它正在使科学家们能够提取和解读宇宙图谱中早已包含、但我们旧的数学工具却无法破译的非线性信息。
1. 人类统计学的局限与非高斯宇宙
要理解人工智能的影响，我们必须首先了解天体物理学家迄今为止是如何工作的。当大型望远镜拍摄深空宇宙的照片时，它们会绘制星系的分布图（即星系成团性），并测量遥远星系的光如何被介于其间的暗物质引力所扭曲（即弱引力透镜效应）。
为了从这些巨大的视觉图谱中得出宇宙学结论，物理学家历来使用经典统计分析，几乎完全基于两点相关函数。简而言之，这种统计方法测量的是找到相距特定距离的两个星系的概率。尽管这种方法几十年来一直是宇宙学的支柱，但它存在一个严重的结构性局限：它非常适合分析早期均匀的宇宙（在数学术语中称为“高斯”场），但在捕捉当今宇宙的复杂性方面却无能为力。
当前的宇宙是深度“非高斯”的：它是一张由巨大空洞和致密物质团块构成的错综复杂的宇宙网。人类设计的经典统计学无法捕捉到隐藏在三点、四点或更多点结构中的大量信息。正如研究人员在最近发表arXiv上的一篇探索性论文（《机器学习揭示新的宇宙学信息》）中所强调的那样，深度学习的数据驱动方法超越了这些人类局限，能够处理宇宙网的整个拓扑复杂性，而不丢弃任何结构数据。
2. 基于模拟的推断：宇宙学精度翻倍
真正的方法论革命被称为基于模拟的推断（SBI）。这种方法的一个显著例子来自暗能量巡天（DES）的结果，这是一个绘制了数亿个星系图谱以重建宇宙过去七十亿年历史的国际项目。
在伦敦大学学院（UCL）进行的一项开创性研究中，研究人员放弃了两点统计，转而采用深度神经网络。结果令人震惊：对宇宙关键参数（包括暗能量密度）的估计精度相比传统方法实际上提高了一倍。苏黎世联邦理工学院（ETH Zurich）也记录了类似的成功，证明通过在暗物质图谱上使用人工智能进行训练，产生的参数估计比过去精确约30%。
那么SBI是如何工作的呢？天体物理学家并非使用固定的数学公式来解释真实数据，而是生成数百万个模拟宇宙（即所谓的模拟样本），每次都改变基本的宇宙学参数（多一点或少一点暗能量，多一点或少一点引力）。随后，在球面几何上运行的复杂图神经网络将这些超高维度的图谱压缩成最佳的统计“摘要”。最后，称为归一化流的先进算法将望远镜观测到的数据与这个庞大的模拟档案进行比较，在10维宇宙学空间中估计隐含的概率。该算法自行学习哪些视觉模式对应于特定百分比的暗能量。
3. 分类与生成：从成团性到生成模型
机器学习在天体物理学中的应用不仅限于参数提取，还扩展到两个迷人的方向：模型分类和生成式模拟。
宇宙学的标准模型（称为ΛCDM）假设暗能量是一个在时间和空间上静态的宇宙学常数。然而，也存在替代理论：暗能量可能聚集（成团暗能量），或者可能与暗物质动态相互作用（耦合暗能量）。发表在《皇家天文学会月报》上的一项研究表明，卷积神经网络（CNN）可以被训练来区分静态暗能量与聚集暗能量之间微弱的视觉特征。与此同时，《天文学与天体物理学》上的研究证明，这些网络在区分标准模型和耦合暗能量模型方面达到了86%至99%的准确率，为验证物理理论提供了无与伦比的筛选工具。
然而，训练这些人工智能需要大量的初始数据（模拟宇宙）。使用传统的N体物理模拟来绘制数百万个星系的图谱，需要世界上最强大的超级计算机运行数月。为了绕过这一瓶颈，天体物理学正在借鉴生成模型（类似于创建合成图像或视频的模型）。正如INSPIRE HEP所记载的那样，人工智能可以快速将基本的对数正态场转换为宇宙大尺度结构的真实图谱，以极低的计算成本完美再现统计特性。人工智能创造了用于训练人工智能的虚构训练数据，而后者将探索真实的宇宙。
4. 物理学仍是核心：“黑箱”悖论
面对这些近乎神奇的性能，编辑和科学上的风险在于将算法拟人化，认为机器正在发明“新物理学”。这完全错误。必须强调，应用于天体物理学的人工智能严格且严谨地植根于爱因斯坦的广义相对论定律。
神经模型并非通过观察虚空来学习解读宇宙；它们之所以能学习，是因为它们是在物理学家编码的模拟（模拟样本）上进行训练的，而这些模拟中已经植入了已知的热力学和引力方程。如果物理学家在生成式模拟中输入了错误的规则，人工智能就会在星空中寻找那些错误规则的证据。因此，正如DES的研究人员所警告的那样，人工智能的结果必须通过严苛的稳健性测试，以证明它们没有受到“系统误差”（望远镜仪器误差或训练数据集中的偏差）的污染。人工智能提取了前所未有的非线性信息，但该信息的基本语法是由人类工作编写、验证和保证的。
关键操作要点（研究与数据科学启示）
- 为大型巡天做好准备：即将开展的项目，如维拉·C·鲁宾天文台（LSST）和欧空局的欧几里得太空卫星，将产生海量数据，人类肉眼或人类统计学无法处理。集成基于AI的降噪算法和光度红移估计（正如在DES数据上使用高斯过程所证明的那样）是管理未来十年宇宙学的唯一途径。
- 数据压缩即力量：神经网络在天体物理学中的主要用途并非生成二元答案，而是将巨大的高维空间图谱压缩成密集的统计向量，提取人眼或线性方程会忽略的模式。
- 天体信息学家的崛起：物理系正在经历一场基因突变。现代宇宙学不再仅仅需要理论物理学家或观测天文学家，还需要能够设计深度学习架构、验证潜在空间并管理复杂概率推断模型的数据科学家。
结论：谁在书写宇宙的历史？
在暗能量和暗物质研究中采用人工智能，代表着认识论范式的深刻转变。我们正在将观测无限的任务委托给能够识别我们生物学和经典数学在概念上无法涵盖的几何形状的机器。
然而，这场技术革命给我们留下了一个关于“发现”行为的迷人哲学问题。该算法仅限于进行残酷的多维模式匹配，完全缺乏物理直觉。但是，如果一个神经网络能够通过读取一张我们人类明明看在眼里却无法破译的图谱来分离出暗能量的指纹，那么究竟是谁在真正发现我们宇宙的本质：是执行计算的代码片段，还是训练那段代码以正确方式凝视黑暗的物理学家的头脑？
参考书目与资料来源
- UCL – 使用人工智能实现对暗能量更精确的理解。 [1123, 1124]
- arXiv / DES Collaboration – 暗能量巡天第三年结果：基于深度学习的模拟推断wCDM。 [1131]
- 苏黎世联邦理工学院 – 人工智能探测宇宙中的暗物质。 [1136]
- arXiv – 机器学习揭示新的宇宙学信息。 [1134]
- 皇家天文学会月报 – 探测成团暗能量的深度学习方法。 [1126]
- 天文学与天体物理学 – 使用神经网络区分耦合暗能量模型。 [1128]
- MNRAS – 暗能量巡天光度数据的机器学习分析。 [1129]
- INSPIRE HEP – 基于机器学习生成模型的快速真实大尺度结构。 [1125]
- arXiv – Rubin LSST暗能量科学中AI/ML的机遇。 [1132]
- arXiv – 使用机器学习进行引力透镜降噪。 [1133]
文章由《人工智能指南针》编辑部编辑