Videnskabsfolk bruger kunstig intelligens til at estimere mørk materie i universet

Videnskabsfolk fra fysik- og datalogiinstitutionen på ETH Zurich bruger kunstig intelligens til at lære mere om vores univers. De bidrager til metoderne, der bruges til at estimere mængden af mørk materie, der er til stede. Gruppen af videnskabsfolk udviklede maskinelæringsalgoritmer, der ligner dem, der bruges af Facebook (META ) og andre sociale medie-selskaber til ansigtsgenkendelse. Disse algoritmer hjælper med at analysere kosmologiske data. Den nye forskning og resultaterne blev offentliggjort i det videnskabelige tidsskrift Physical Review D. 

Tomasz Kacprzak, en forsker fra Institut for Partikelfysik og Astrofysik, forklarede sammenhængen mellem ansigtsgenkendelse og estimation af mørk materie i universet. 

“Facebook bruger sine algoritmer til at finde øjne, munde eller ører i billeder; vi bruger vores til at se efter tegn på mørk materie og mørk energi,” forklarede han. 

Mørk materie kan ikke ses direkte med teleskopbilder, men den bøjer banen af lysstråler, der kommer til jorden fra andre galakser. Dette kaldes svag gravitationelle linser, og det forvrænger billederne af disse galakser. 

Forvrængningen, der sker, bruges derefter af videnskabsfolk. De bygger kort over massen af himlen, og de viser, hvor mørk materie er. Videnskabsfolkene tager derefter teoretiske forudsigelser om placeringen af mørk materie og sammenligner dem med de byggede kort, og de søger efter dem, der bedst matcher dataene.

Den beskrevne metode med kort er traditionelt udført ved hjælp af menneskeskabt statistik, der hjælper med at forklare, hvordan dele af kortene relaterer til hinanden. Problemet, der opstår med denne metode, er, at den ikke er velegnet til at registrere de komplekse mønstre, der er til stede i sådanne kort. 

“I vores seneste arbejde har vi brugt en helt ny metode… I stedet for at opfinde den passende statistiske analyse selv, lader vi computerne gøre arbejdet,” sagde Alexandre Refregier. 

Aurelien Lucchi og hans team fra Data Analytics Lab på datalogiinstitutionen samt Janis Fluri, en ph.d.-studerende fra Refregiers gruppe og hovedforfatteren på studiet, arbejdede sammen med maskinelæringsalgoritmer. De brugte dem til at etablere dybe kunstige neurale netværk, der kan lære at trække så megen information som muligt ud af mørk materie-kortene. 

Gruppen af videnskabsfolk gav først neurale netværk computer-genererede data, der simulerede universet. Neurale netværk lærte sig selv, hvilke funktioner at se efter og at trække store mængder af information. 

Disse neurale netværk overgik den menneskeskabte analyse. I alt var de 30% mere præcise end de traditionelle metoder baseret på menneskeskabt statistisk analyse. Hvis kosmologer ønskede at opnå den samme præcision uden at bruge disse algoritmer, ville de have brug for at dedikere mindst dobbelt så megen observationstid. 

Efter at disse metoder var etableret, brugte videnskabsfolkene dem derefter til at oprette mørk materie-kort baseret på KiDS-450-datasættet. 

“Dette er første gang, sådanne maskinelæringsværktøjer er blevet brugt i denne sammenhæng, og vi fandt, at det dybe kunstige neurale netværk ermöglicer os at trække mere information ud af dataene end tidligere metoder. Vi tror, at denne brug af maskinelæring i kosmologi vil have mange fremtidige anvendelser,” sagde Fluri. 

Videnskabsfolkene ønsker nu at bruge denne metode på større billedsæt, såsom Dark Energy Survey, og neurale netværk vil begynde at tage imod nye oplysninger om mørk materie.