หนึ่งในปริศนาอันยิ่งใหญ่ของดาราศาสตร์ ก็คือ เอกภพของเราถือกำเนิดได้อย่างไร และจะมีวิวัฒนาการต่อไปในทิศทางไหน มีหลายทฤษฎีพยายามจะอธิบายคำถามดังกล่าว ท่ามกลางทฤษฎีเหล่านั้น มี 2 ทฤษฎีที่ค่อนข้างได้รับความน่าเชื่อถือ นั่นก็คือ
- 1) 2LPT Displacement
ย่อมาจาก “Second Order Lagrangian Perturbation Theory” ทฤษฎีที่พยายามอธิบายการวิวัฒนาการของเอกภพโดยอนุมานจากความหนาแน่นของมวลสารในระดับมหภาค แต่ไม่สามารถอธิบายระบบขนาดเล็กได้
- 2) D3M displacement
ทฤษฎีใหม่ล่าสุด ใช้สมองกล หรือ AI ในการประมวลผลโครงสร้างสามมิติเอกภพใหม่หมด โดยจะให้ความสำคัญกับความหนาแน่นเกือบทุกส่วนของโมเดล จึงเรียกว่า Deep Density Displacement Model : D3M ซึ่งนักวิจัยเคลมว่าโมเดลดังกล่าวมีความแม่นยำสูงกว่า 2LPT อย่างเห็นได้ชัด (สังเกตจากรูปบริเวณที่เป็นโซนสีเขียวอ่อน และแดงของโมเดล 2LPT จะเห็นบริเวณที่ทฤษฎี 2LPT ไม่สามารถอธิบายระบบมวลที่มีความหนาแน่นต่ำได้ จึง Error สูงมาก)
ทั้งสองทฤษฎีต่างอธิบายวิวัฒนาการของเอกภพภายใต้แนวคิด Big ฺBang หรือเชื่อว่าเอกภพถือกำเนิดจากการระเบิดครั้งยิ่งใหญ่ โดยใช้ทฤษฎีสัมพัทธภาพทั่วไป (General Relativity) ในการคำนวณแรงโน้มถ่วงของมวล ซึ่งค่อย ๆ สะสมการก่อกวนเล็ก ๆ น้อย ๆ (Small Perturbations) ก่อนที่มวลเหล่านั้นจะค่อย ๆ รวมกันและเพิ่มขนาดจนกลายเป็น ดาวฤกษ์ กาแล็กซี หรือกระจุกดาวในที่สุด
Shirley Ho นักวิจัยร่วมจากสถานบัน Flatiron แห่งศูนย์ฟิสิกส์ดาราศาสตร์เชิงคำนวณในเมือง New York กล่าวอย่างภาคภูมิใจว่า
เรารันโมเดล D3M ในเวลาไม่กี่มิลลิวินาที จากการใช้สมองกล ซึ่งเร็วกว่าโมเดลอื่นที่มักใช้เวลาเป็นนาทีหรือหลายร้อยชั่วโมง ไม่เพียงแค่เร็วกว่าเท่านั้น ยังมีความแม่นยำสูงกว่าเดิมอีกด้วย
ความน่าแปลกของการรันโมเดลD3M
นักวิจัยไม่ได้ตื่นเต้นอะไรกับโมเดลเอกภาพมากนัก เพราะมันก็ใกล้เคียงกับโมเดลที่เคย ๆ เห็นกันมา แต่สิ่งที่น่าแปลกใจคือ เวลาเราจะฝึกให้ AI เข้าใจสภาพแวดล้อมของข้อมูล ต้องมีการแบ่งชุดข้อมูลมาฝึก (Training) แต่ AI ทำสิ่งที่น่าตกใจให้กับนักวิจัยอยู่ 2 อย่าง คือ
- มันปรับแต่งค่าพารามิเตอร์ให้ถูกต้องแม่นยำขึ้นได้อย่างไร เช่น ปริมาณสสารมืด (Dark Matter) ที่มีอยู่ในเอกภพ
- โมเดลแม่นยำมาก แม้จะไม่ได้ลองให้ AI ฝึก Training ข้อมูลซะงั้น
Ho อธิบายสถานการณ์แปลก ๆ นี้ เพิ่มเติมว่า
มันคล้าย ๆ กับเราสอนให้ AI จดจำรูปภาพจำนวนมาก เช่น หมา แมว แต่ AI ดันบ่งชี้ได้ว่านี่คือ ช้างนะ ทั้ง ๆ ที่เราไม่เคยสอนมันให้รู้จักช้างเลยด้วยซ้ำ
สำหรับโมเดล D3M นักวิจัยให้ความสำคัญกับแรงโน้มถ่วง (Gravity) เป็นส่วนใหญ่ เนื่องจากแรงโน้มถ่วงมีผลต่อรูปทรงเอกภพในภาพรวมมากกว่า ดังนั้นหากจำลองอนุภาคมวลสารในระดับพันล้านอนุภาคให้ดึงดูดซึ่งกันและกัน (N – Body Simulation) จนกระทั่งหลอมรวมเป็นโครงสร้างขนาดใหญ่ในเอกภพ เช่น ดาวฤกษ์ กระจุกดาว กาแล็กซี ในที่สุด ปกติแล้วโมเดลทั่วไปจะใช้เวลา 300 ชั่วโมงต่อการจำลอง 1 ครั้ง
แต่ถ้าต้องการให้เสร็จเร็วขึ้น หรือตัดค่าพารามิเตอร์ที่ไม่สำคัญออกไปบ้าง โมเดลทั่วไปจะถูกสร้างเสร็จเร็วขึ้นในระดับ 1 – 2 นาที แต่ก็ต้องแลกกับความแม่นยำที่หายไป (นักวิจัยพยายามจะบอกว่า D3M แม่นยำและเสร็จเร็วสุดนะคร้าบบ มีข่มโมเดลอื่นว่างั้นเถอะ)
เพื่อเป็นการแสดงถึงความแม่นยำของโมเดล D3M นักวิจัยทดสอบเปรียบเทียบให้โมเดล D3M และ 2PLT สร้างแบบจำลองของเอกภพในขอบเขต 600 ล้านปีแสง (ขนาดความยาวในแต่ละด้านของลูกบาศก์จากรูป) พบว่าโมเดล 2PLT ต้องใช้เวลาสร้างมากถึงหลายร้อยชั่วโมงแลกกับการได้ความแม่นยำมาในระดับหนึ่ง
แต่ D3M รันโมเดลเสร็จเรียบร้อยใช้เวลาแค่ 30 มิลลิวินาที แถมแม่นยำกว่าอย่างน่าประหลาด
Sources:
[1] : The first AI universe sim is fast and accurate—and its creators don’t know how it works., phys.org, 2019
[2] : Learning to predict the cosmological structure formation., pnas.org, 2019
[3] : Cosmological perturbation theory., wikipedia.org, 2019
[4] : Perturbation theory., wikipedia.org, 2019
[5] : Cosmological Structure Formation with Augmented Lagrangian Perturbation Theory., arxiv.org, 2019
[6] : Lagrangian perturbation theory in Newtonian cosmology., arxiv.org, 2019
