宇宙中暗物质的总质量大一点（宇宙中暗物质的数量都能增加吗）

产地:新智元。

图1:D3M产生的位移矢量场(左)和密度场(右)。

图2:根据PM求解器(a)的近似N体模拟计划，通过各种模型:FastPM、ground truth，每列中具有完整粒子弥散(上)和位移矢量(下)的2D切片；ZA，粒子沿初始速度矢量(b)演化的简单线性模型；2LPT，文中常用的解析近似(C)和深度学习模型D3M(D)。虽然FastPM(A)是研究小组的基础真理，但B-D包含点或向量的颜色。颜色表示政策取向(a)或位移向量与各种方法(B-D)之间的相对差异，以猜测离差(qmodel & minusqtarget)/qtarget .误差棒表示所有方法在密集区域都存在较大误差，这表明对于所有模型(D3M、2LPT和ZA)都难以正确猜测高度非线性区域。在上述B-D模型中，他们的D3M模型在猜测和事实之间的差异最小。图2:根据PM求解器(a)的近似N体模拟计划，通过各种模型:FastPM、ground truth，每列中具有完整粒子弥散(上)和位移矢量(下)的2D切片；ZA，粒子沿初始速度矢量(b)演化的简单线性模型；2LPT，文中常用的解析近似(C)和深度学习模型D3M(D)。虽然FastPM(A)是研究小组的基础真理，但B-D包含点或向量的颜色。颜色表示政策取向(a)或位移向量与各种方法(B-D)之间的相对差异，以猜测离差(qmodel & minusqtarget)/qtarget .误差棒表示所有方法在密集区域都存在较大误差，这表明对于所有模型(D3M、2LPT和ZA)都难以正确猜测高度非线性区域。在上述B-D模型中，他们的D3M模型在猜测和事实之间的差异最小。

图3:3的位移和密度功率谱:FastPM(橙色)、2LPT(蓝色)和c(绿色)(顶部)；传递函数-猜测的功率谱与地面真实值之比的平方根；和1 & ndashR 2，其中r是猜测场和真实场(下图)的相关系数。结果是1000个测试模仿的平均值。从大到中，D3M猜想的传递函数和相关系数接近完美，明显优于基准2LPT。(b)对于几个三角形设备，两个3 pcfs的多极系数(&ζ；1(r1，r2))(和策略)的比率。结果是10次模拟测试的平均值。误差线(填充区域)是从10次测试中SD模拟的。这个比率表明D3M的3PCF比他们的指南FastPM更接近2LPT，并且方差更小。图3:3的位移和密度功率谱:FastPM(橙色)、2LPT(蓝色)和c(绿色)(顶部)；传递函数-猜测的功率谱与地面真实值之比的平方根；和1 & ndashR 2，其中r是猜测场和真实场(下图)的相关系数。结果是1000个测试模仿的平均值。从大到中，D3M猜想的传递函数和相关系数接近完美，明显优于基准2LPT。(b)对于几个三角形设备，两个3 pcfs的多极系数(&ζ；1(r1，r2))(和策略)的比率。结果是10次模拟测试的平均值。误差线(填充区域)是从10次测试中SD模拟的。这个比率表明D3M的3PCF比他们的指南FastPM更接近2LPT，并且方差更小。

图4:上图显示了它们改变世界参数As和m时粒子弥散和位移场的差异(a)误差条显示了两个极值As = A0和As = 0.2 A0(中间)和As = 1.8A0(右边)之间粒子弥散(上)和位移场(下)的差异。(b)类似的比较揭示了M & ISIN；{0.1，0.5}的较小值和较大值的粒子分散(上)和位移场(下)之差，m = 0.3089用于实践。虽然较小的as (m)值差别很大，但较大的as (m)的位移越来越非线性。这种非线性是由质量聚集引起的，这使得猜测更加困难。图4:上图显示了它们改变世界参数As和m时粒子弥散和位移场的差异(a)误差条显示了两个极值As = A0和As = 0.2 A0(中间)和As = 1.8A0(右边)之间粒子弥散(上)和位移场(下)的差异。(b)类似的比较揭示了M & ISIN；{0.1，0.5}的较小值和较大值的粒子分散(上)和位移场(下)之差，m = 0.3089用于实践。虽然较小的as (m)值差别很大，但较大的as (m)的位移越来越非线性。这种非线性是由质量聚集引起的，这使得猜测更加困难。

图5:类似于图3A，除了不改变练习集(具有不同的世界参数)或练习模型，当改变世界参数时，测试两点统计。当As(A)和ω不同时当m(B)参加考试时，有来自D3M和2LPT的猜测。它们显示了传递函数——即猜测功率谱与地面真值之比的平方根(上图)——和1-r ^ 2，其中r是猜测场与实场之间的相关系数(下图)。除了最大值标准，D3M猜想在所有标准中都优于2LPT猜想，因为微扰理论在线性区域(大标准)工作良好。图5:类似于图3A，除了不改变练习集(具有不同的世界参数)或练习模型，当改变世界参数时，测试两点统计。当As(A)和ω不同时当m(B)参加考试时，有来自D3M和2LPT的猜测。它们显示了传递函数——即猜测功率谱与地面真值之比的平方根(上图)——和1-r ^ 2，其中r是猜测场与实场之间的相关系数(下图)。除了最大值标准，D3M猜想在所有标准中都优于2LPT猜想，因为微扰理论在线性区域(大标准)工作良好。

人工智能将帮助人类更好地了解世界。

除了进一步展示黑盒人工智能和深度学习的善变和不可预测的性质，人工智能世界模拟器本身也有可能帮助天体物理学家和研究人员填补我们世界背后的一些空白。

我们的世界是一个陌生且几乎未知的地方。人类刚刚开始将目光投向可观测的空间之外，以确认世界之外是什么，以及它是如何构成现在的姿态的。人工智能可以帮助我们准确理解影响我们世界进化的数十亿个变量如何影响恒星、行星甚至生命本身的呈现。