当宇宙学家在思考宇宙和其他可能存在的宇宙时，他们所能获得的数据是如此复杂和庞大，以至于仅凭人类一个人的理解是极其困难的。
可视化显示了宇宙微波背景模式的预测——大爆炸遗留下来的辐射——在不同的宇宙中会是什么样子，我们自己的宇宙模式被描绘在一个点上。
康奈尔大学(Cornell university)的研究人员将科学原理应用于创建理解细胞生物学和物理学的模型，以应对宇宙学和大数据的挑战。他们开发了一种很有前景的算法，可以绘制出一组多层面的概率图。
研究人员已经使用这种新方法来可视化宇宙模型，它可能有助于解决物理学中一些最大的谜团，比如暗能量的性质或其他宇宙的可能特征。
物理学教授、《用密集的主成分分析可视化概率模型》(Visualizing Probabilistic Models With Intensive Principal Component Analysis)一书的高级作者詹姆斯·塞特纳(James Sethna)说:“科学之所以有效，是因为事物的行为比它们应有的任何权利都要简单得多。”该书于6月24日在《美国国家科学院院刊》(Proceedings of the National Academy of Sciences)网站上发表。“非常复杂的事情最终会导致相当简单的集体行为。”
他说，这是因为一个系统中的每一个因素都不是重要的。例如，数百万个原子可能参与物理碰撞，但它们的行为是由相对较少的常数决定的。然而，由强大的望远镜收集到的关于宇宙的数据有如此多的参数，对于研究人员来说，弄清楚哪些测量数据对揭示洞见最重要是很有挑战性的。
该算法由第一作者凯瑟琳奎因(Katherine Quinn)， M.S. ‘ 16, ph . 19)， M.S. ‘ 16, ph . 19开发，允许研究人员对大量的概率进行成像，以寻找可能有用的模式或其他信息，并为他们理解复杂模型和数据提供更好的直觉。
奎因说:“随着我们拥有越来越大、越来越好的数据集，以及越来越多tb级的信息，要真正理解它们变得越来越困难。”“一个人不能坐下来就这么做。我们需要更好的算法来提取我们感兴趣的东西，而不需要被告知要寻找什么。我们不能只是说，‘寻找有趣的宇宙。这个算法是一种解开信息的方式，可以揭示数据有趣的结构。”
让研究人员的任务更加复杂的是，这些数据由一系列概率组成，而不是原始图像或数字。奎因说:“这是一个更难处理的问题。
他们的解决方案利用了概率分布的不同性质来可视化一组可能发生的事情。除了宇宙学，他们的模型在机器学习和统计物理中也有应用，这也适用于预测。
为了测试这一算法，研究人员使用了欧洲航天局普朗克卫星的数据，并与物理学副教授迈克尔·尼马克(Michael Niemack)共同研究了这一算法。尼马克的实验室开发了通过测量微波辐射来研究宇宙形成和演化的仪器。他们将这个模型应用于宇宙微波背景辐射的数据——宇宙早期遗留下来的辐射。
该模型绘制了一幅地图，描绘了不同宇宙的可能特征，其中我们自己的宇宙是一个点。这种可视化宇宙质量的新方法突出了暗能量和暗物质主导模型的层次结构，它非常适合宇宙微波背景数据。Niemack说，虽然这种结构并不令人惊讶，但这些可视化为优化未来的宇宙学测量提供了一种很有前景的方法。
接下来，研究人员将尝试扩展这种方法，为每个数据点考虑更多的参数。绘制这样的数据可以揭示关于我们的宇宙、其他可能存在的宇宙或暗能量的新信息——暗能量似乎是我们宇宙中能量的主要形式，但物理学家对它知之甚少。
“我们只使用粗糙的模型来解释暗能量是什么，或者它是如何随着时间进化的，”Niemack说。“有很多不同的参数可以添加到模型中，然后我们可以把这些参数可视化，决定哪些是最重要的测量指标，试图理解哪种暗能量模型最能描述我们的宇宙。”
其他贡献者包括博士生科林·克莱门特(Colin Clement)和康奈尔大学(Cornell)前副研究员弗朗西斯科·德贝纳迪斯(Francesco De Bernardis)。这项研究得到了加拿大国家科学基金会和自然科学与工程研究理事会的部分资助。
新闻旨在传播有益信息，英文原版地址：http://news.cornell.edu/stories/2019/06/data-visualization-could-reveal-nature-universe