作为科学家可以运用的最大规模的验证科学，观测验证宇宙基本框架的“观测宇宙学”逐渐成熟。“宇宙大规模结构”近年来越来越受到重视。“宇宙大规模结构”指的是各个星系交织的网状结构，是宇宙迄今为止复杂进化史的终结状态。利用天文望远镜等对其进行详细观察，有助于揭开影响宇宙进化的暗物质和暗能量之谜。

　　为了解我们所在的宇宙是什么样的宇宙，根据物理理论，使用超级计算机计算宇宙中各种大规模结构的演化，将其与观测数据进行对比，是一种非常有效的手段。但是，这需要对数十万到百万个宇宙论模型进行精确的计算，而即使用当前可利用的最大计算资源，也很难进行如此大量的模拟。

　　日本京都大学基础物理学研究所特定准教授西道启博的研究小组，试图利用人工智能的“机器学习”方法来解决此难题。研究小组的机器学习设备被称为“暗模拟器”。该装置对宇宙中暗物质成分的数量和性质等进行了各种计算，从计算得出的101个虚拟宇宙中“学习”相应关系。这样就可以快速对新宇宙学模型预期的结果进行理论预测，而无需进行新的模拟。

　　“机器学习”使用的虚拟宇宙数据是日本国立天文台超级计算机“ATERUI”和“ATERUIⅡ”耗时3年计算出的总容量300TB（terabyte）的巨大模拟数据。

　　“暗模拟器”可以预测星系的空间分布和弱重力透镜效应的实际观察结果，误差约为2%—3%，利用标准笔记本电脑可以在几秒钟内完成理论预测，从而将计算成本大大降低。

　　“暗模拟器”是首次在实际观测数据上直接应用的AI工具，向利用人工智能分析宇宙大数据迈出实质性的一步，也助推了下一代终极宇宙观测学的到来。

　　研究成果已刊登在近期的《天体物理学杂志》上。（陈超）