Учёные из Института физики и математики Вселенной Кавли при Токийском университете (Kavli IPMU) провели исследование, которое выявило статистические особенности в данных о космической инфляции.

Космическая инфляция — это теория, описывающая экспоненциальное расширение Вселенной в первые доли секунды после Большого взрыва. Одним из ключевых параметров инфляционной космологии является скалярный спектральный индекс ns, который характеризует распределение плотностных флуктуаций на разных масштабах.

Данные спутника Planck ранее позволили точно измерить ns, что помогло сузить круг возможных инфляционных моделей. Однако в 2025 году два независимых исследования, объединившие астрофизические данные, поставили под сомнение некоторые известные модели инфляции, вновь сделав этот космологический параметр центральным объектом обсуждений.

Новое исследование показало, что расхождения в значениях связаны с «напряжением» между данными о реликтовом излучении (CMB) и барионных акустических осцилляциях (BAO). Это статистическое несоответствие, названное BAO–CMB напряжением, влияет на интерпретацию инфляционных параметров.

Учёные продемонстрировали, что сдвиг в ns связан с изменениями поздних космологических параметров, таких как плотность материи. Это указывает на то, что расхождения обусловлены не новой физикой инфляции, а внутренней согласованностью данных.

Исследование подчёркивает важность тщательной оценки согласованности данных перед выводами о фундаментальных моделях ранней Вселенной. Разные комбинации космологических данных приводят к статистически значимым сдвигам параметра ns, что делает текущие ограничения на инфляцию чувствительными к выбору данных.

Пока причина BAO–CMB напряжения не выяснена, остаётся неясным, какое значение следует считать наиболее надёжным. Возможные причины включают систематические ошибки, особенности анализа или даже новую физику.

Разрешение этого вопроса имеет ключевое значение для уточнения инфляционных моделей и понимания физики ранней Вселенной. До тех пор выводы о космической инфляции должны учитывать статистические нюансы и ограничения данных.