Künstliche Intelligenz zur Entdeckung der Anfangsbedingungen des lokalen Universums

• Antragsteller: Dr. Noam Isaac Libeskind
• Fachliche Zuordnung: Astrophysik und Astronomie
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 569604537

Während unser Verständnis der großräumigen Struktur des Universums Fortschritte gemacht hat, besteht eine große Herausforderung darin, die Natur der dunklen Materie und der Gravitation auf quasilinearen Übergangsskalen zu entschlüsseln. Diese Skalen markieren den Übergang von hochgradig nichtlinearen, virialisierten Strukturen, wie Galaxiengruppen und -haufen, zur eher linearen großräumigen Struktur des Universums. Das Verständnis der Dynamik und der Gravitationseffekte in diesem Übergangsbereich ist entscheidend für ein umfassendes kosmologisches Modell. Die Modellierung quasilinearer Skalen erfordert die Auseinandersetzung mit den miteinander verflochtenen Effekten von Gravitation, besonderen Geschwindigkeiten und Rotverschiebungsverzerrungen. Mit herkömmlichen Analysemethoden lassen sich diese komplexen Zusammenhänge nur schwer erfassen, was die Aufklärung der wahren Natur der dunklen Materie und der Gravitation in diesem Bereich erschwert. Die Verknüpfung von dunkler Materie und Schwerkraft mit Beobachtungen auf mittleren Skalen erfordert eine sorgfältige Modellierung des lokalen kosmischen Netzes. Dazu müssen Simulationen erstellt werden, die das lokale Universum genau nachbilden, indem eingeschränkte Anfangsbedingungen geschaffen werden, die durch Simulationen weiterentwickelt werden. Traditionell werden diese Anfangsbedingungen mit Hilfe von Näherungsdynamiken wie der Zeldovich-Näherung, der Störungstheorie zweiter Ordnung und dem Aktionsprinzip von Peebles erzeugt, wenn auch mit unterschiedlichem Erfolg. Der vorliegende Vorschlag zielt darauf ab, diese Herausforderung durch die Entwicklung eines umfassenden KI/ML-Rahmens zur Generierung der relevanten Ausgangsbedingungen zu bewältigen. Der Einsatz generativer Modelle wie GANs oder VAEs bietet eindeutige Vorteile, da sie auf komplexen Modellkatalogen trainiert werden können, ohne auf spezifische dynamische oder statistische Annahmen angewiesen zu sein, was eine robustere Erforschung verschiedener Szenarien ermöglicht. Mit robusten Galaxienkatalogen, die aus den Simulationen extrahiert werden, werden verschiedene Methoden zur Untersuchung von Signaturen dunkler Materie und dunkler Energie auf mittleren Skalen eingesetzt. Es werden Simulationen mit unterschiedlichen Massen und räumlichen Auflösungen durchgeführt, um kosmologische Informationen von der großräumigen Struktur bis hinunter zu den Galaxienskalen zu extrahieren, einschließlich Erkenntnissen über den Ursprung der heutigen Galaxien der lokalen Gruppe.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Israel
• Kooperationspartner: Professor Adi Nusser, Ph.D.