Data-driven modeling of rotation curves with artificial neural networks

宇宙を、中心点の周りを星、ガス、塵が回転する巨大で渦巻くダンスフロアだと想像してみてください。何十年もの間、天文学者たちはこのダンスを維持している「音楽」が何であるかを解明しようとしてきました。彼らは銀河の中心からの距離に応じて星がどれほど速く動いているかを測定し、「回転曲線」と呼ばれるグラフを作成します。ここで謎が生じます。星の明るさに基づいて銀河内の物質（モノ）の量を計算すると、星がこれほど速く動いている理由を説明するには、目に見える質量だけでは全く不十分なのです。それは、まるで高速道路を猛スピードで走る車を見ているのに、ボンネットの下にエンジンが見当たらないようなものです。この問題を解決するために、科学者たちは、目に見えない「ダークマター（暗黒物質）」が隠れたエンジンとして機能し、銀河を繋ぎ止めるために必要な追加の重力を提供しているという説を提唱しました。

伝統的に、この目に見えないエンジンをマッピングするために、科学者たちは数学的な公式を使用してきました。それは、特定の形のクッキー型を、生地の塊に合わせようとするようなものです。彼らは、生地（銀河）には特定の形があり、クッキー型（数学モデル）はそれに完璧にフィットしなければならないと仮定します。しかし、銀河は乱雑で、デコボコしており、独特です。時には、生地がクッキー型に全く合わないこともあります。ここで、新しいデジタル的なアプローチが登場します。あらかじめ用意された形をデータに押し付けるのではなく、もしコンピューターが、クッキー型がどのような形であるかを推測することなく、観測データから直接「生地」の形を「学習」できるとしたらどうでしょうか？メキシコとスイスの研究チームは、この問いに答えるべく研究に取り組みました。

デジタル探偵と宇宙のダンス

この研究において、研究者たちはデジタル探偵として振る舞いました。ただし、犯罪を解決するのではなく、17個の異なる渦巻銀河の隠れた構造を理解しようとしたのです。彼らは「人工ニューラルネットワーク（ANN）」と呼ばれる強力なタイプの人工知能を使用しました。ANNは、非常に賢い「デジタルの弟子」のようなものだと考えてください。ルールブック（数学的公式）から始めてデータをそれに適合させようとする伝統的な科学者とは異なり、ANNは生のデータポイント、つまり、さまざまな距離における星の速度の実際の測定値だけを持ってスタートします。

チームは、これら17個の特定の銀河に関する精密な観測データを含む「THINGS」サーベイからの高品質なデータセットを、このAIに読み込ませました。彼らは、銀河の中心からの距離を見て、星の速度を予測し、さらにその予測に対する自信の度合いを算出するようにAIを訓練しました。AIが単にオウムのようにデータを暗記してしまうこと（これは「過学習」と呼ばれる問題です）を防ぐために、彼らは「モンテカルロ・ドロップアウト」と呼ばれる巧妙なトリックを用いました。これは、AIがテストを何度も受けるのですが、テストを受けるたびに、ランダムにいくつかの事実を忘れてしまうという状況を想像してください。忘れてしまった時に答えがどれほど変化するかを見ることで、AIは「この答えには自信がありますが、あちらについては少し確信が持てません」と伝えることができるのです。これにより、モデルには組み込みの「不確実性メーター」が備わります。

大対決：古いルール vs 新しい学習

彼らの新しいAI手法が本当に優れているのかを確認するために、研究者たちはそれを伝統的な手法と対決させました。伝統的な手法は、「ナバロ・フレンク・ホワイト（NFW）」モデルと呼ばれる、目に見えないダークマターの特定の数学的形状を使用します。彼らはこの古いモデルを2つの方法でテストしました。一つ目は、星の質量が固定され既知であると仮定する方法（厳格なレシピのようなもの）、二つ目は、数学をよりうまく機能させるために星の質量を変化可能な「自由変数」とする方法です。

結果は、成功と驚きが入り混じった興味深いものでした。研究者たちは、どちらの手法が実際の観測結果と最もよく一致したかに基づいて、17個の銀河を3つのカテゴリーに分類しました。

1. 「古いルールが最も効果的な」グループ（グループA）： 4つの銀河（DDO154、NGC2903、NGC3621、NGC2403）については、伝統的な数学モデルの方がAIよりもデータによく適合しました。これらのケースでは、銀河は標準的な「レシピ」によく従っているようで、データのみから学習しようとするAIの試みは、少し不安定すぎる結果となりました。
2. 「中間的な」グループ（グループB）： 他の4つの銀河（NGC3031、NGC2841、NGC3198、NGC5055）については、AIは厳格な「固定レシピ」モデルよりは優れていましたが、「自由変数」モデルには及びませんでした。これらの銀河は少し扱いにくく、単純な形状と複雑な混乱の中間に位置しているようです。
3. 「AIの勝利」グループ（グループC）： これは最もエキサイティングなグループで、NGC3521、NGC2366、IC2574を含む9つの銀河が含まれていました。これらの銀河については、AIによるデータ駆動型のモデルが明確な勝者となり、あらゆる伝統的な数学モデルよりもはるかに正確に観測結果と一致しました。

なぜAIは一部のケースで勝利したのか

論文は、グループCの銀河においてAIが成功した理由として、これらの銀河が従来の数学的公式の滑らかな曲線には適合しない、乱雑で複雑な構造を持っているからだと示唆しています。例えば、一部の銀河には星やガスの塊状の分布があったり、あるいは従来のモデルでは考慮できなかったダークマターの「塊」が存在したりすることがあります。伝統的なモデルは、しばしばデータを滑らかな曲線に無理やり適合させようとし、特に星が密集している銀河の内側で大きな誤差を生じさせました。しかし、AIは滑らかさにこだわりました。AIは単に、データの実際の、凹凸のある現実世界のパターンを学習したのです。

この研究は、古い数学モデルが依然として有用な銀河もある一方で、それらには限界があることを浮き彫りにしています。銀河があまりに複雑であったり、特異な特徴を持っていたりする場合、「クッキー型」のアプローチは失敗します。対照的に、AIのアプローチは、事前にルールを推測することなく、その不規則性を捉えることができるほど柔軟なのです。

これが未来に意味すること

研究者たちは、古いモデルが間違っていると主張しているわけでも、AIがダークマターの謎を解いたと言っているわけでもありません。むしろ、両方のツールが必要であると示唆しています。AIは、古いモデルがどこで破綻するかを示す強力な新しいレンズとして機能します。それは、特定の銀河において、可視の星と目に見えないダークマターの間の遷移が、滑らかで予測可能なスライドではなく、複雑でデコボコした道のりであることを明らかにしています。

これらのデータ駆動型モデルを使用することで、科学者は現在、予想とは異なる挙動を示す銀河を特定できるようになりました。これは、ダークマターが正確に何であるかを教えてくれるわけではありませんが、現在の理論がどこで的外れになっている可能性があるかを正確に教えてくれます。それは、既知の道路を示すだけでなく、新しい橋を架ける必要がある未舗装の荒れた道をハイライトしてくれる地図を持っているようなものです。この研究は、機械学習が天文学者にとって有望なパートナーであり、自分たちの作り上げた前提に盲目になることなく、宇宙の複雑さを捉える方法を提供してくれると結論付けています。