2024 年 9 月 4 日，Meta 首席人工智能科学家杨立昆（Yann LeCun）在 X 平台上转发了纽约大学物理系教授 Shirley Ho 的帖子。Ho 教授介绍了由 Changhoon Hahn 领导的 SimBIG 团队新发布的一篇论文，该论文利用 AI 模拟了 20,000 个宇宙，并通过光谱望远镜（SDSS）进行比较。研究团队使用这些模拟数据训练 AI，以计算后验概率 P (y | x)，从而获得了许多新见解。
SimBIG 团队的研究方法主要依赖于 AI 模拟和光谱望远镜（SDSS）的数据比较。具体来说，他们模拟了 20,000 个宇宙，每个模拟宇宙提供汇总统计数据（x）和模拟的基本属性（y）。然后，研究团队使用这些数据对 AI 进行训练，以计算后验概率 P (y | x)。这种方法使得他们能够从观测数据中提取出宇宙的基本参数，并与实际观测到的宇宙进行比较。
通过使用双谱和基于卷积神经网络的星系场总结，研究团队对 H0 和 S8 的约束比传统功率谱分析严格了 1.5 倍和 1.9 倍。
研究团队的论文以 “Cosmological constraints from non-Gaussian and nonlinear galaxy clustering using the SimBIG inference framework” 为题，于 2024 年 8 月 21 日发布在《Nature Astronomy》。论文中，研究人员使用基于模拟的推理提出了一组宇宙学约束，该推理利用了星系聚类中非线性尺度上的额外非高斯信息，而这些信息是当前分析无法获得的。
研究人员用 SimBIG 分析了 BOSS 测量的 109,636 个真实星系。该模型利用数据中的小尺度和大尺度细节来提高其宇宙学参数估计的精度。Ho 教授指出，这很重要，因为宇宙中的星系数量是有限的。通过用更少的数据获得更高的精度，SimBIG 可以突破可能的极限。