Vědci používají modifikované techniky rozpoznávání obličeje k objevování temné hmoty

Pokud existuje jedna věc, se kterou je veřejnost obeznámena s umělou inteligencí, je to rozpoznávání obličeje. Buď je to otevření mobilního telefonu nebo algoritmy, které Facebook (META ) používá k nalezení očí nebo jiných částí obličeje na obrázcích, rozpoznávání obličeje se stalo standardem.

Ale nyní vědci, kteří se zabývají složitými otázkami, jako je složení vesmíru, začínají používat modifikovanou verzi tohoto “standardu” rozpoznávání obličeje, aby zjistili, kolik temné hmoty existuje ve vesmíru a kde se nachází.

Jak Digital Trends a Futurity poznamenávají ve svých zprávách o této věci, “fyzikové se domnívají, že pochopení této záhadné látky je nezbytné k vysvětlení základních otázek o základní struktuře vesmíru.”

Je to výzkumníci ze skupiny Alexandra Refregiera na Institutu částicové fyziky a astrofyziky ETH Zurich, Švýcarsko, kteří začali používat hluboké neuronové sítě, které leží za rozpoznáváním obličeje, k vývoji nových speciálních nástrojů, aby se pokusili objevit to, co je pro nás stále tajemstvím vesmíru.

Jak Janis Fluri, jeden z výzkumníků, kteří pracují na projektu, řekl Digital Trends, “Algoritmus, který používáme, je velmi blízký tomu, co se běžně používá v rozpoznávání obličeje,” a dodal, že “krása umělé inteligence spočívá v tom, že se může učit z prakticky libovolných dat. V rozpoznávání obličeje se učí rozpoznávat oči, ústa a nosy, zatímco my hledáme struktury, které nám dávají nápovědu o temné hmotě. Tento rozpoznávání vzorců je vlastně jádrem algoritmu. Nakonec jsme ho pouze přizpůsobili, abychom odvodili základní kosmologické parametry.”

Jak je vysvětleno, vědci předpokládají, že temná hmota tvoří kolem 27 % vesmíru, přičemž převyšuje viditelnou hmotu v poměru přibližně šest ku jedné. Teorie také říká, že temná hmota dává galaxiím “dodatečnou hmotu, kterou potřebují, aby se neroztrhaly jako sebevražedný papírový sáček. Je to to, co pohání normální hmotu ve formě prachu a plynu, aby se shromáždila a sestavila do hvězd a galaxií.”

To, co hledají vědci, jsou oblasti kolem konglomerátů galaxií, které vypadají zkresleně. Používajíce zpětného inženýrství “mohou pak izolovat, kde se domnívají, že se nachází nejhlustší koncentrace hmoty, både viditelné a neviditelné.”

Fluri a Tomasz Kacprzak, další výzkumník ve skupině, vysvětlili, že trénovali svou neuronovou síť krmením ji počítačově generovanými daty, která simulují vesmír. Opakovaná analýza map temné hmoty jim dala možnost extrahovat “kosmologické parametry” z reálných obrázků oblohy.

Výsledky, které dosáhli srovnáním s standardními metodami používanými v tomto procesu, ukázaly 30% zlepšení, založené na statistické analýze provedené lidmi. Jak Fluri vysvětlil, “algoritmus umělé inteligence potřebuje mnoho dat, aby se naučil ve fázi trénování. Je velmi důležité, aby tato trénovací data, v našem případě simulace, byla co nejpřesnější. Jinak se naučí funkcím, které nejsou přítomny v reálných datech.”

Po trénování sítě ji nakrmili skutečnými mapami temné hmoty získanými z KiDS-450 dataset, vytvořené pomocí dalekohledu VLT Survey Telescope (VST) v Chile. Tento dataset pokrývá celkovou plochu asi 2 200krát větší než úplný měsíc a obsahuje záznamy o přibližně 15 milionech galaxií.

Jak vysvětluje Futurity, opakovaná analýza map temné hmoty naučila neuronovou síť hledat správný druh funkcí v nich a extrahovat více a více požadovaných informací. “V analogii s Facebookem se stala lepší v rozlišování náhodných oválných tvarů od očí nebo úst.”