在我们已知的最大尺度上，宇宙其实更像一张“网”。星系通过引力聚在一起形成星系团，而星系团之间则被巨洞相隔，同时它们也被一些纤维状的细丝连接。
想要了解宇宙，就需要知道哪里存在着什么东西，有多少东西。而星系团作为宇宙中质量最密集的天体，每一个可能包含了数百甚至数千个星系，其中还有等离子体、热气和暗物质。显然，了解星系团对于确定宇宙的起源和持续演化至关重要。
决定一个星系团属性最关键的量大概就是它的总质量。但是测定这个量相当困难，毕竟我们没办法把它们直接放在秤上来“称重”。另外，由于构成星系团大部分质量的暗物质又隐藏在视野之外，使得这个问题变得更加复杂。
近日，科学家利用人工智能（AI）发现了一种更好的估算巨大星系团的质量的方法。AI发现，只要在现有的方程中加入一个简单的项，科学家就可以得到比以前好得多的质量估计。团队在《美国国家科学院院刊》上报告，改进后的估计值将会让科学家更准确地计算出宇宙的基本属性。
星系团有多重？
几十年来，天文学家和物理学家一直在钻研如何估算星系团的质量。他们通常选择从一些可观测的量中推断出星系团的质量。
20世纪70年代初，宇宙学家拉希德·苏尼亚耶夫（Rashid Sunyaev）和雅可夫·泽尔多维奇（Yakov Zel'dovich）开发了一种估算星系团质量的方法。
简单来说，这种方法基于这样一则事实，那就是，当引力将物质挤压在一起时，物质的电子会往回推。这种电子压强能改变电子与光子（光的粒子）相互作用的方式。
当大爆炸的余辉留下的光子撞击到被挤压的物质时，这种相互作用创造出了新的光子。这些光子的特性取决于引力对物质的压缩程度，而这又取决于星系团的分量。因此，通过测量光子，天体物理学家就可以估算星系团的质量。然而，这种电子压强并不是质量的完美代表，因为光子属性会因星系团而异。
在这项新研究中，研究人员想到了AI。AI非常擅长识别那些人类分析师可能忽略的新参数组合。举个例子，虽然人类分析师可以很轻易地识别出数据集中的两个重要参数，但AI可以更好地解析海量数据，这往往能揭示出意想不到的影响因素。
研究人员认为，一种叫作“符号回归”的AI工具，或许可以找到一种更好的方法。总的来说，符号回归主要是尝试数学运算符（比如加减法）与各种变量的组合，检测什么方程与数据最匹配。
虽然目前的机器学习领域大多都专注于强大的深度神经网络，但它们也有明显的缺点。深度神经网络差不多就像一个黑盒，从输入到输出之间，人们几乎无法理解模型之内发生了什么。但对物理学研究来说，这是不够的。如果某样东西能带来好的结果，物理学家就会想要知道它是如何做到的。
符号回归在这方面则比较有优势，因为它搜索一个给定的数据集，并以可理解的简单方程形式生成简单的数学表达，提供了一种很容易解释的模型。
团队给他们的AI程序“喂”了一个包含许多星系团的最先进的宇宙模拟。接下来，由他们编写的程序，搜索并确定了可能让质量估计更准确的额外变量。
符号回归程序给他们带来了一个新方程，通过在现有方程中增加一个新的项，就能更好地预测星系团的质量。
中间部分显示的为符号回归的新方程的表现，上方显示的为传统方法的表现，下方明确地量化了离散度降低。（图/D. Wadekar et al./Proceedings of the National Academy of Sciences 2023）
团队从这个AI生成的方程倒推，找到了一个对应的物理解释。他们意识到，气体浓度与星系团中的那些有着不太可靠的质量推断的区域有关，比如潜伏着超大质量黑洞的星系核的区域。他们的新方程通过在计算中淡化那些核的重要性，改善了质量推断的结果。
如果用一种形象的比喻，星系团就像一个球形甜甜圈。新方程摘取了甜甜圈中心的会带来更大误差的果冻，更着重于甜甜圈外层，从而对整个星系团获得了更可靠的质量推断。
研究人员在数千个模拟宇宙上测试了AI发现的新方程。与目前使用的方程相比，新方程将大型星系团质量估计的变异性降低了约两到三成。
更大的科学回报
科学家认为，符号回归非常适用于回答许多天体物理问题。在天文学的很多情况下，研究人员都是在两个参数之间进行线性拟合，而忽略了其他一切。但现在，有了这些工具，人们就可以走得更远。符号回归和其他人工智能工具可以帮助以各种不同的方式调查小型天体物理系统，比如系外行星，再到那些宇宙中最大的东西，比如星系团。
相当多针对星系团的调查计划将在不久的将来进行，包括西蒙斯天文台、第四阶段CMB实验和一个名为eROSITA的X射线调查。新方程可以帮助带来有关观测天体质量的更好见解，从这些调查中获得最大的科学回报。
#创作团队：
编译：Takeko
排版：雯雯
#参考来源：
https://www.simonsfoundation.org/2023/03/23/artificial-intelligence-discovers-secret-equation-for-weighing-galaxy-clusters/
#图片来源：
封面图&首图：ESA, Hubble, NASA