Sự nhóm lại và phân bổ các thiên hà trong vũ trụ

Những phát hiện mới của các nhà khoa học có thể giúp đưa vũ trụ học vào đúng hướng để khai thác hết tiềm năng của kính thiên văn và các thiết bị khác trong việc trả lời một số câu hỏi lớn nhất về vũ trụ.

Ảnh minh họa DESI “khắc họa” bản đồ thiên hà trong vũ trụ từ đỉnh núi Kitt ở Trạm quan sát Quốc gia Kitt Peak, trong hoang mạc Arizona, Hoa Kỳ.

Mặt tối của vũ trụ học

Dự án mới của TS. Nguyễn Nhật Minh và các cộng sự tại Đại học Michigan (Mỹ) đã trình bày cách mà một phương pháp tính toán mới thu được nhiều thông tin hơn so với các phương pháp trước đây từ các bản đồ chỉ ra sự nhóm lại và phân bố của các thiên hà trên khắp vũ trụ.

Hiện nay, các nhà khoa học đang sử dụng các công cụ như DESI (Thiết bị quang phổ năng lượng tối) để tạo ra các bản đồ này và đào sâu hơn vào bản chất của năng lượng tối, vật chất tối và các bí ẩn vũ trụ khác.

Ngay cả khi DESI đang là công cụ nổi trội hiện nay, các nhà khoa học biết rằng họ sẽ cần các công cụ tiên tiến hơn để tìm ra câu trả lời cho những câu hỏi còn đang bỏ ngỏ. Một số nhà nghiên cứu đang phát triển thế hệ công cụ tiếp theo như DESI. Tuy nhiên, nhà nghiên cứu Nguyễn Nhật Minh và các đồng nghiệp của mình lại chọn một hướng đi khác: tập trung vào việc tối ưu hóa sự hiểu biết của con người về dữ liệu mà chúng ta đang có hiện nay, cũng như trong tương lai.

“Khi chúng ta chuyển sang sử dụng các kính thiên văn lớn hơn và tốt hơn, thì chúng ta cũng có thể vứt bỏ nhiều thông tin hơn”, TS. Nguyễn Nhật Minh - Nghiên cứu viên Leinweber tại Khoa Vật lý của Đại học Michigan, cho biết. “Hiện nay, chúng ta đang thu thập được nhiều dữ liệu hơn, nhưng chúng ta cũng có thể cố gắng khai thác nhiều hơn từ dữ liệu”.

Hợp tác với các đồng nghiệp tại Viện Vật lý thiên văn Max Planck (MPA), TS. Nguyễn Nhật Minh đã làm việc với một khuôn khổ tính toán có tên là LEFTfield để nâng cấp phương pháp mà các nhà khoa học sử dụng trong việc phân tích cấu trúc quy mô lớn của vũ trụ.

“Trong vũ trụ sơ khai, cấu trúc là Gaussian, giống như nhiễu mà bạn thấy trên các TV cũ”, TS. Nguyễn Nhật Minh cho biết. “Nhưng do sự tương tác giữa năng lượng tối và vật chất tối, cấu trúc quy mô lớn của vũ trụ ngày nay không còn là Gaussian nữa mà nó giống như một mạng nhện hơn”.

Năng lượng tối thúc đẩy sự giãn nở của vũ trụ, nhưng các nhà nghiên cứu không thể trực tiếp quan sát nó, do đó có phần “tối” trong tên của nó. Vật chất của vũ trụ chống lại sự giãn nở đó bằng lực hấp dẫn của nó.

Vật chất đó gồm hai loại riêng biệt: vật chất thông thường mà chúng ta có thể quan sát và tương tác, và vật chất tối mà chúng ta không thể - và một lần nữa, do đó có phần “tối”.

Thêm vào đó, có một thực tế là phần lớn khối lượng và cân bằng năng lượng của vũ trụ đều gắn liền với những thực thể tối bí ẩn này. Nghiên cứu bản đồ vũ trụ do đó có thể mở ra những cánh cửa mới để thăm dò năng lượng tối và vật chất tối chịu trách nhiệm chính cho cấu trúc giống như mạng nhện của nó.

Với LEFTfield, TS. Nguyễn Nhật Minh và các đồng nghiệp của mình đã chứng minh rằng họ có thể trích xuất nhiều thông tin hơn nữa từ các bản đồ vũ trụ hiện có. Kết quả nghiên cứu mới đây đã được công bố trong bài báo “How Much Information Can Be Extracted from Galaxy Clustering at the Field Level?” trên tạp chí Physical Review Letters - tạp chí giành được Giải thưởng Vũ trụ học Buchalter năm 2024.

Điều không ngờ tới

Để thu thập được thêm các thông tin như vậy, nhóm nghiên cứu không củng cố các phương pháp chuẩn hiện có - vốn rất có giá trị. Thay vào đó, họ đã áp dụng một cách tiếp cận hoàn toàn khác.

Sự khác biệt chính nằm ở cách LEFTfield xem xét dữ liệu so với các phương pháp tiếp cận tiêu chuẩn.

“Với một phân tích chuẩn, về cơ bản bạn không thể làm việc với dữ liệu như hiện tại mà phải nén nó lại”, TS. Nguyễn Nhật Minh cho biết. “Điều này làm giảm sự phức tạp của phân tích và giúp đưa ra dự đoán lý thuyết dễ dàng hơn, nhưng điều bạn phải đánh đổi là bạn sẽ mất một số thông tin”.

Đối với phân tích tiêu chuẩn, các nhà nghiên cứu sử dụng các mô hình tính toán di chuyển qua các thiên hà, nhóm chúng thành từng cặp hoặc bộ ba để thực hiện các phép đo thống kê và tính toán hiệu quả hơn.

Nhóm nghiên cứu cho biết, phương pháp rất hiệu quả đối với các đặc điểm Gaussian của vũ trụ. Nhưng TS. Nguyễn Nhật Minh và các đồng nghiệp cũng nhìn thấy cơ hội để thúc đẩy sự hiểu biết về vũ trụ phi Gaussian của chúng ta hơn nữa bằng cách giữ lại thông tin mà các phương pháp tiêu chuẩn vốn bỏ qua thông qua việc nén.

Phương pháp tiếp cận mới, còn được gọi là suy luận cấp trường, coi bản đồ vũ trụ như lưới 3D. Sau đó, mỗi khối lập phương hoặc voxel thành phần - phần tương ứng 3D của một pixel - trở thành một phần tử dữ liệu đang hoạt động, chứa thông tin chưa nén về sự phân bố và mật độ của các thiên hà bên trong.

Theo nhóm nghiên cứu, điều này bảo toàn tính trung thực của dữ liệu theo cách mà các phương pháp tiêu chuẩn không thể làm được.

“Tôi thích ý tưởng về suy luận ở cấp độ thực địa vì về nguyên tắc, đó là điều thực tế mà chúng tôi muốn làm”, Shaun Hotchkiss - người dẫn chương trình hội thảo trực tuyến Cosmology Talks, cho biết. Chuỗi hội thảo gần đây có sự góp mặt của TS. Nguyễn Nhật Minh và đồng tác giả Beatriz Tucci - nghiên cứu sinh tiến sĩ tại MPA.

“Nếu chúng ta đã đo được trường mật độ, tại sao lại nén thông tin bên trong nó?”, Hotchkiss nói. “Tất nhiên, suy luận ở cấp độ trường do đó khó thực hiện hơn, nhưng điều này không cản trở được nhóm nghiên cứu, và cũng không nên trở thành rào cản ngăn cản cộng đồng.”

Để đánh giá hiệu suất của LEFTfield, nhóm nghiên cứu đã tính toán một tham số vũ trụ học gọi là sigma-8, về cơ bản là đo độ vón cục của vũ trụ, TS. Nguyễn Nhật Minh giải thích.

So với các phương pháp tiếp cận tiêu chuẩn, phương pháp LEFTfield của nhóm có thể cải thiện khả năng xác định sigma-8 từ 3,5 đến 5,2 lần.

“Điều đó giống như chuyển từ DESI sang thế hệ kế thừa của DESI vậy”, TS. Nguyễn Nhật Minh cho biết. “Thông thường, việc chuyển đổi giữa hai thế hệ như vậy sẽ mất từ ​​10 đến 20 năm”.

Tuy nhiên, trước khi thực hiện bước nhảy vọt đó, vẫn còn nhiều việc phải làm. Một rào cản quan trọng cần vượt qua là tích hợp LEFTfield với các công cụ cụ thể và đảm bảo rằng nó hiểu được cách tiếng ồn và đặc điểm riêng của các công cụ tác động đến dữ liệu khi dữ liệu đó xuất hiện, TS. Nguyễn Nhật Minh cho biết. Tuy nhiên, anh tin rằng cách tiếp cận này sẽ trở thành một công cụ hữu ích.

“Phương pháp này thực sự mở ra con đường nhanh chóng để có được hiểu biết sâu sắc về năng lượng tối, vật chất tối và thuyết tương đối rộng - lý thuyết mà tất cả những khái niệm trên đều dựa vào”, TS. Nguyễn Nhật Minh cho biết.

Theo Đại học Michigan, Physical Review Letters

Bài đăng KH&PT số 1341 (số 17/2025)

Khoahocphattrien