哈伯─勒梅特定律（指遥远星系的退行速度与它们和地球的距离成正比）简洁而优美的描述宇宙正在扩张的现象。 它是一个简单的线性关系式：距离越远的天体，退行速度越快。 整个宇宙就像发酵中的面包，把上面的葡萄干分得越来越远。
不过大部分观测时，哈伯─勒梅特定律并不会完全正确，因为重力效应会抹除宇宙扩张的现象，使得真实观测数据与方程式会有偏差。 要解释偏差并不容易，因为与物质分布、运动有关：这大概是宇宙最复杂的问题之一。“微扰理论（是从相关问题的确切解中找出问题的近似解的数学方法）”是一个方法，一步步描述非线性项，但大量运算时就会出现问题，因此科学家将目光投向了机器学习。
卷积神经网络（是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一）是许多领域都炙手可热的工具，让电脑通过深度神经网络自行学习演算法，有时就像黑盒子，自己找到人类还不清楚的关系式。
每个圆圈代表一个神经元。 数据以数组的形式送入输入层，然后传输到隐藏层，在那里根据进入隐藏层的连接的权重进行混合和重新处理；结果值被发送到输出层，在那里最后一次重新处理，最终产生一个高度非线性的模型。
现在有研究团队已进行测试，模拟宇宙大规模结构演化至今的行为。 微扰理论在低密度及低速度表现稳健，但机器学习模型大部分情况表现较好。
随着未来先进大型天文台及太空望远镜的上线，将会有更完整的观测数据验证每个模型的优劣。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
