挖掘埋没的暗物质地图——用观测、模拟、人工智能的标签描绘的清晰宇宙——

挖掘埋没的暗物质地图——观测，本研究的形象。 通过使用深层学习技术(深度学习)从观测数据中去除噪声，可以得到埋没的暗物质的信息。 (信用:统计数理研究所)原始大小( 1.3MB )

观测宇宙得到的数据除了想知道的信息以外还包含各种各样的噪声。 人们通过观测、模拟和人工智能( AI )的组合方法进行了消除这种噪声，描绘出真正宇宙的样子的尝试。 这是逼近支配宇宙的看不见的物质真实身份的新技术的开发。宇宙质量的约8成被无法用电磁波观测的身份不明的“暗物质”占据。 要弄清楚它的真实身份，关键是要知道它在宇宙的何处存在的信息，也就是“暗物质的地图”。 虽然暗物质不发光，但是通过它的重力会产生背景中存在的银河像被扭曲的“重力透镜效应”的现象，我们可以知道它的存在。 利用这一现象测量银河像的扭曲情况，并描绘出暗物质地图的尝试，正在利用昴望远镜搭载的超广视场主焦点摄像机hyper su prime-cam ( hyper su prime-cam，以下简称HSC )进行观测。但是，暗物质的分布被观测描绘出的暗物质地图中包含的很多噪音淹没了。 这种噪声是由于不知道被扭曲前的银河呈什么形状，以及越暗的银河形状测量越困难等原因引起的。 迄今为止的研究指出，除了暗物质特别集中的星团之类的区域外，在暗物质密度低的区域，噪声的影响很大，仅凭观测数据无法正确引出暗物质的信息。在统计研究所进行研究的白崎正人国立天文台助教们的研究小组，利用人工智能( AI )之一的深层学习(深度学习)技术，开发了从观测得到的暗物质地图中去除噪声的方法。 为了使该AI稳定工作，必须使用不含干扰的暗物质地图和与观测数据非常相似的含干扰的暗物质地图，对AI进行大量训练。 为此，研究小组使用国立天文台运用的天文学专用超级计算机“阿泰尔伊ⅱ”进行了模拟，制作出了长达2万5000组有噪声的模拟暗物质地图组合。 然后，将基于HSC的观测数据输入到由这些模拟数据训练过的AI中，成功地绘制出了去除了噪声的暗物质的地图。这样，通过使用去除了噪声的暗物质地图，就可以调查迄今为止仅靠观测很难调查的暗物质的低密度区域，例如质量为银河团十分之一左右的银河群了。 将把这次开发的技术应用于目前正在昴望远镜HSC进行的观测的最终数据，描绘出长达1400平方度的暗物质的详细地图。 以这张地图为基础，通过更详细地调查暗物质的基本性质，我们期待着更进一步地接近暗物质的真实面目。本研究证实，通过巧妙地利用AI从数据分析中提取噪声中隐藏的暗物质信息，可以提高HSC数据的科学价值。 这是展示了观测、模拟、AI技术通过组合，天文学走向新领域的可能性的重要成果。

本研究成果作为“白崎等，“弱透镜质量映射的降噪:生成对抗网络在斯巴鲁超级超级计算机第一年数据中的应用”刊登在英国《皇家天文学会志》2021年6月号上。