Космологи из ведущих научных институтов представили новые данные, которые могут поставить под вопрос стандартную модель космологии. Как сообщается в пресс-релизе на сайте Phys.org, исследователи обнаружили, что предсказания модели не соответствуют наблюдениям — крупномасштабная структура материи оказывается менее кластеризованной, чем ожидалось.
Стандартная модель космологии, существующая уже около 25 лет, базируется на общей теории относительности Эйнштейна и предполагает, что Вселенная в больших масштабах однородна и изотропна. Согласно этой модели, структура Вселенной должна быть более сгруппированной из-за влияния гравитации, однако последние данные показывают, что материя распределена более гладко. Это расхождение космологи называют напряжением S8, где S8 — это параметр, описывающий степень кластеризации материи.
Для изучения этого феномена ученые проанализировали данные, собранные с помощью астрономических обзоров, таких как Dark Energy Survey и Kilo Degree Survey. Эти проекты собирают подробную информацию о распределении материи в поздние времена развития Вселенной, и именно эти данные показали несоответствие с предсказаниями стандартной модели. Исследования также опираются на измерения космического микроволнового фона (CMB), который представляет собой реликтовое излучение, оставшееся после Большого взрыва.
Одна из предложенных гипотез объясняет это несоответствие возможными систематическими ошибками в наблюдениях или моделировании. Тем не менее другие независимые исследования подтвердили наличие напряжения, что натолкнуло ученых на мысли о пересмотре фундаментальных основ космологии. Среди радикальных решений рассматривается возможность пересмотра природы темной материи или темной энергии, а также внедрение новой физической силы, которая может влиять на гравитацию в крупных масштабах.
Будущие исследования с участием новых инструментов, таких как обсерватория имени Веры Рубин и телескоп Euclid, должны предоставить более точные данные. Это позволит космологам либо подтвердить существование напряжения, либо выявить возможные ошибки в текущих моделях.