علماء يستخدمون تقنيات التعرف على الوجه المعدلة لاكتشاف المادة المظلمة

إذا كان هناك شيء واحد يعتاده الجمهور عند استخدام الذكاء الاصطناعي فهو التعرف على الوجه. سواء كان ذلك لفتح هاتفهم المحمول أو الخوارزميات التي يستخدمها فيسبوك للعثور على العيون أو أجزاء أخرى من الوجه في الصور، أصبح التعرف على الوجه معيارًا. (META )

لكن الآن يبدأ العلماء الذين يتعاملون مع أسئلة معقدة مثل تركيبة الكون في استخدام نسخة معدلة من “المعيار” التعرف على الوجه في محاولة لاكتشاف كمية المادة المظلمة في الكون وأين قد تكون موجودة.

كما يشير Digital Trends وFuturity في تقاريرهم حول الموضوع، “يعتقد الفيزيائيون أن فهم هذه المادة الغامضة ضروري لشرح الأسئلة الأساسية حول البنية الأساسية للكون.”

هو الباحثون الذين اجتمعوا في مجموعة Alexandre Refregier في معهد الفيزياء الجسيمية والفلك في ETH Zurich، سويسرا، الذين بدأوا في استخدام طرق الشبكات العصبية العميقة التي تكمن وراء التعرف على الوجه لتطوير أدوات جديدة خاصة في محاولة لاكتشاف ما يظل سرًا للكون لنا.

كما قال جانيس فلوري، أحد الباحثين الذين يعملون على المشروع لديجيتال تريندز، “الخوارزمية التي نستخدمها قريبة جدًا من تلك المستخدمة في التعرف على الوجه،” مضيفًا “جمال الذكاء الاصطناعي يكمن في قدرته على التعلم من أي بيانات. في التعرف على الوجه، يتعلم التعرف على العيون والفم والأنف، بينما نحن نبحث عن هياكل تعطينا أدلة حول المادة المظلمة. هذا التعرف على الأنماط هو جوهر الخوارزمية. في النهاية، قمنا بتعديلها فقط لاستنتاج المعلمات الكونية الأساسية.”

كما يُشرح، يفترض العلماء أن المادة المظلمة تمثل حوالي 27٪ من الكون، وتفوق المادة المرئية بنسبة تقريبًا ستة إلى واحد. وتذهب النظرية أيضًا إلى أن المادة المظلمة تعطي المجرات “الكتلة الإضافية التي تحتاجها لمنع تدمير نفسها مثل كيس ورقي انتحاري. إنها ما يدفع المادة العادية على شكل غبار وغاز لتجمع وتتجمع في نجوم ومجرات.”

ما يبحث عنه الباحثون هو المناطق حول تجمعات المجرات التي تظهر مشوهة. باستخدام الهندسة العكسية “يمكنهم بعد ذلك عزل حيث يعتقدون أنهم يجدون أعلى تركيزات للمادة، المرئية وغير المرئية.

أوضح فلوري وتوماسز كاكبرزاك، باحث آخر في المجموعة، أنهما قاما بتدريب شبكتهما العصبية بتغذيتها ببيانات محوسبة محاكاة الكون. سمح لهم تحليلهم المتكرر لخرائط المادة المظلمة بامكانية استخراج “معلمات كونية” من الصور الفعلية للسماء.

أظهرت النتائج التي حققوها بمقارنتها بالطرق القياسية المستخدمة في هذا العملية تحسنًا بنسبة 30٪، بناءً على التحليل الإحصائي الذي قام به البشر. كما أوضح فلوري، “تحتاج خوارزمية الذكاء الاصطناعي إلى الكثير من البيانات للتعلم في مرحلة التدريب. من المهم جدًا أن تكون بيانات التدريب، في حالتنا المحاكاة، دقيقة قدر الإمكان. وإلا، فإنه سيتعلم الميزات التي ليست موجودة في البيانات الفعلية.”

بعد تدريب الشبكة، قاموا بتغذيتها بخرائط المادة المظلمة الفعلية التي حصلوا عليها من مجموعة البيانات KiDS-450، التي تم إعدادها باستخدام تلسكوب مسح VLT في تشيلي. تغطي هذه المجموعة البيانية مساحة إجمالية تبلغ حوالي 2200 مرة حجم القمر الكامل وتحتوي على سجلات حول 15 مليون مجرة.

كما يشرح Futurity، من خلال تحليل خرائط المادة المظلمة بشكل متكرر، تعلمت الشبكة العصبية من تلقاء نفسها البحث عن النوع الصحيح من الميزات فيها واستخراج المزيد والمزيد من المعلومات المرغوبة. “في مقارنة فيسبوك، أصبحت أفضل في التمييز بين الأشكال البيضاوية العشوائية وعيون أو أفواه.”