Космологічна стала Ейнштейна повернулася і змінила космологію

Відредаговано: Svitlana Velhush

Понад століття тому Альберт Ейнштейн застосував свою загальну теорію відносності до устрою Всесвіту. У 1917 році він додав до рівнянь космологічну сталу, що позначається грецькою літерою лямбда, щоб описати статичний Всесвіт, яким його тоді вважали.

Ця добавка працювала: стала створювала ефект, що протидіяв гравітаційному притяганню матерії. Однак незабаром Едвін Габбл виявив розширення Всесвіту, а Олександр Фрідман показав, що рівняння Ейнштейна природним чином описують динамічну космологію.

Ейнштейн відмовився від лямбди і пізніше назвав її введення своєю «найбільшою помилкою». Модель без сталої стала основою теорії Великого вибуху.

У 1998 році дві групи астрономів виявили, що розширення Всесвіту не сповільнюється, а прискорюється. Матерії виявилося замало, щоб пояснити спостережувану поведінку, і найпростішим поясненням знову стала космологічна стала — тепер у ролі темної енергії.

Так виникла модель ΛCDM, де лямбда позначає темну енергію, а CDM — холодну темну матерію. Модель спирається на невелику кількість параметрів у межах загальної теорії відносності й успішно описує історію розширення, реліктове випромінювання, баріонні акустичні осциляції, ріст галактик і великомасштабну структуру.

ΛCDM стала однією з найбільш перевірених моделей у науці. І все ж вона, мабуть, не остаточна.

Відкриття прискорення повернуло ідею Ейнштейна в центр сучасної космології, але залишило питання про природу темної енергії та можливі обмеження поточної картини світу.

137 Перегляди

Джерела

  • Einstein’s Biggest “Mistake” Came Back — And Changed Cosmology Forever

Коментарі

Читайте більше статей на цю тему:

Korea Aerospace Industries says its AI module on the 12U BEE-1012 CubeSat, launched on Nuri Oct 7, passed an orbital pilot Oct 20. Given a simulated fault, it diagnosed cause and scope and sent back a fix plan. A main demo starts in December. Image Credit: Yonsei University

Image
Reply

Great paper from Anthropic on AI agents doing ML-for-science research. (bookmark it) If you build AI-scientist systems, this one is worth your time. They propose Agent4Sci, which gives frontier coding agents 20 scientific ML benchmarks across 11 domains and asks them to beat

Image
Reply
Знайшли помилку чи неточність?Ми розглянемо ваші коментарі якомога швидше.