（图为超级计算机“ATERUI Ⅱ”计算的宇宙大规模结构的一例。该计算中，大约100亿个粒子配置在约49亿光年的一侧区域中，计算粒子之间的引力相互作用并演化为现在的宇宙。“ATERUI Ⅱ”800个内核同时运算需要2天时间。图片由日本国立天文台提供）
科技日报记者 陈超
观测验证宇宙基本框架的“观测宇宙学”作为科学家可以运用的最大规模的验证科学逐渐成熟。 “宇宙大规模结构”近年来变得越来越受到重视。“宇宙大规模结构”指的是各个星系交织的网状结构，是宇宙到目前为止复杂进化史的终结状态。利用天文望远镜等对其进行详细观察，期待可以更接近揭开影响宇宙进化的暗物质和暗能量之谜。
为了解我们所在的宇宙是什么样的宇宙，使用超级计算机根据物理理论计算宇宙中各种大规模结构的演化并将其与观测数据进行对比非常有效。但是，这需要对数十万到一百万个宇宙论模型进行精确的计算。而即使使用当前可利用的最大计算资源，也很难进行如此大量的模拟。
京都大学基础物理学研究所特定准教授西道启博的研究小组试图通过使用人工智能的“机器学习”方法来解决此难题。研究小组的机器学习设备被称为“暗模拟器”。该装置对宇宙中暗物质成分的数量和性质等进行了各种计算，从计算得出的101个虚拟宇宙中“学习”相应关系。这样就可以快速地对新宇宙学模型预期的观测结果进行理论预测，而无需进行新的模拟。
“机器学习”使用的虚拟宇宙数据是日本国立天文台超级计算机“ATERUI”和“ATERUI Ⅱ”用时三年计算出的总容量300TB（terabyte）的巨大模拟数据。
“暗模拟器”可以预测星系的空间分布和弱重力透镜效应的实际观察结果，误差约为2-3％，利用标准笔记本电脑可以在几秒钟内完成理论预测，从而将计算成本降低约1亿倍。
“暗模拟器”是首次在实际观测数据上直接应用的AI工具。在为下一代终极宇宙观测论的到来，利用人工智能分析宇宙大数据迈出实质性一步。
研究成果已刊登在近期的《天体物理学杂志》（Astrophysical Journal）。