Videnskabsmænd bruger modificerede ansigtsgenkendelsesteknikker til at opdage mørkt stof

Hvis der er noget, som den brede offentlighed er fortrolig med, når det kommer til brugen af kunstig intelligens, så er det ansigtsgenkendelse. Enten det er åbning af deres mobiltelefon eller algoritmerne, som Facebook (META ) bruger til at finde øjne eller andre dele af et ansigt på billeder, så er ansigtsgenkendelse blevet en standard.

Men nu er videnskabsmænd, der beskæftiger sig med komplekse spørgsmål som universets sammensætning, begyndt at bruge en modificeret version af den “standard”-ansigtsgenkendelse i et forsøg på at opdage, hvor meget mørkt stof der er i universet, og hvor det muligvis er beliggende.

Som Digital Trends og Futurity bemærker i deres rapporter om emnet, “fysikere mener, at forståelse af denne mystiske substans er nødvendig for at forklare grundlæggende spørgsmål om universets underliggende struktur.”

Det er forskerne samlet i Alexandre Refregiers gruppe ved Institute of Particle Physics and Astrophysics på ETH Zurich, Schweiz, der er begyndt at bruge dybe neurale netværksmetoder, der ligger bag ansigtsgenkendelse, til at udvikle nye, specielle værktøjer til at forsøge at opdage, hvad der stadig er en hemmelighed for os i universet.

Som Janis Fluri, en af forskerne, der arbejder på projektet, fortalte Digital Trends, “Algoritmen, vi [bruger], er meget tæt på, hvad der normalt bruges i ansigtsgenkendelse,” og tilføjede, at “skønheden ved A.I. er, at det kan lære fra næsten enhver data. I ansigtsgenkendelse lærer det at genkende øjne, munde og næser, mens vi søger efter strukturer, der giver os hints om mørkt stof. Dette mønstergenkendelse er essentielt den kerne af algoritmen. Til sidst tilpassede vi det kun til at slutte de underliggende kosmologiske parametre.”

Som forklaret, antager videnskabsmændene, at mørkt stof står for omkring 27% af universet, og overvæger synligt stof med en ratio på omkring seks til en. Teorien går også på, at mørkt stof giver galakserne “den ekstra masse, de kræver for ikke at river sig selv itu som en selvmordsbombe. Det er, hvad driver normalt stof i form af støv og gas til at samle og danne stjerner og galakser.”

Hvad forskerne søger efter, er områderne omkring galakseklusterne, der ser ud til at være forvrængede. Ved at bruge reverse-engineering “kan de så isolere, hvor de tror, de tætteste koncentrationer af stof, både synligt og usynligt, kan findes.”

Fluri og Tomasz Kacprzak, en anden forsker i gruppen, forklarede, at de trænede deres neurale netværk ved at fodre det med computer-genereret data, der simulerer universet. Deres gentagne analyse af mørkt stof-kortene gav dem mulighed for at udtrække ‘kosmologiske parametre’ fra de virkelige billeder af himlen.

Resultaterne, de opnåede ved at sammenligne dem med standardmetoder, der bruges i denne proces, viste en 30% forbedring, baseret på menneskeskabt statistisk analyse. Som Fluri forklarede, “A.I.-algoritmen har brug for meget data for at lære i træningsfasen. Det er meget vigtigt, at denne træningsdata, i vores tilfælde simulationer, er så nøjagtige som muligt. Ellers vil det lære funktioner, der ikke er til stede i virkelige data.”

Efter at have trænet netværket fodrede de det med faktiske mørkt stof-kort, der blev erhvervet fra KiDS-450 dataset, lavet med VLT Survey Telescope (VST) i Chile. Dette dataset dækker et totalt areal på omkring 2.200 gange størrelsen af den fulde måne og indeholder optegnelser af omkring 15 millioner galakser.

Som Futurity forklarer, ved at gentagne gange analysere mørkt stof-kortene, lærte det neurale netværk sig selv at søge efter de rigtige funktioner i dem og at udtrække mere og mere af den ønskede information.“I Facebook-analogien blev det bedre til at skelne mellem tilfældige ovale former og øjne eller munde.”