Computational Cosmology / Numerische Kosmologie

5.22 Computational Cosmology / Numerische Kosmologie

Die numerische Kosmologie nutzt Supercomputer-Simulationen, um die Entstehung und Entwicklung kosmischer Strukturen vom Urknall bis heute nachzubilden. Sie überbrückt die Kluft zwischen theoretischen Vorhersagen und Beobachtungsdaten.

N-Körper-Simulationen verfolgen die Gravitationsdynamik von Dunkler Materie. Die Millennium-Simulation (2005) mit über 10 Milliarden Teilchen war ein Meilenstein. Moderne Simulationen wie IllustrisTNG, EAGLE und FLAMINGO integrieren zusätzlich Hydrodynamik, Sternbildung, Feedback von Supernovae und aktiven Galaxienkernen — sogenannte kosmologische Magnetohydrodynamik-Simulationen.

Diese Simulationen reproduzieren beobachtete Strukturen wie das kosmische Netz aus Filamenten und Voids, die Galaxienmassensfunktion, die Metallizitätsverteilung und die Eigenschaften des intergalaktischen Mediums. Sie sind unverzichtbar für die Interpretation von Daten großer Surveys.

Maschinelles Lernen wird zunehmend eingesetzt, um schnelle Emulationen teurer Simulationen zu erzeugen, Parameterstudien durchzuführen und Beobachtungsdaten mit Modellen abzugleichen. Die nächste Generation von Exascale-Simulationen wird noch höhere Auflösung und realistischere Physik erreichen.

5.22 Computational Cosmology / Numerische Kosmologie

Computational cosmology uses supercomputer simulations to model the formation and evolution of cosmic structures from the Big Bang to the present day. It bridges the gap between theoretical predictions and observational data.

N-body simulations track the gravitational dynamics of dark matter. The Millennium Simulation (2005) with over 10 billion particles was a milestone. Modern simulations such as IllustrisTNG, EAGLE, and FLAMINGO additionally integrate hydrodynamics, star formation, feedback from supernovae and active galactic nuclei — known as cosmological magnetohydrodynamic simulations.

These simulations reproduce observed structures such as the cosmic web of filaments and voids, the galaxy mass function, the metallicity distribution, and properties of the intergalactic medium. They are indispensable for interpreting data from large surveys.

Machine learning is increasingly used to create fast emulations of expensive simulations, conduct parameter studies, and compare observational data with models. The next generation of exascale simulations will achieve even higher resolution and more realistic physics.