KI-Modelle und Plattformen
Wissenschaftler verwenden künstliche Intelligenz, um dunkle Materie im Universum zu schätzen
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Wissenschaftler aus dem Department of Physics und dem Department of Computer Science an der ETH Zürich verwenden künstliche Intelligenz, um mehr über unser Universum zu erfahren. Sie tragen zu den Methoden bei, um die Menge an dunkler Materie zu schätzen, die vorhanden ist. Die Gruppe von Wissenschaftlern entwickelte maschinelle Lernalgorithmen, die denen ähneln, die von Facebook (META ) und anderen sozialen Medienunternehmen für Gesichtserkennung verwendet werden. Diese Algorithmen helfen, kosmologische Daten zu analysieren. Die neuen Forschungsergebnisse und Ergebnisse wurden in der wissenschaftlichen Zeitschrift Physical Review D veröffentlicht.
Tomasz Kacprzak, ein Forscher vom Institute of Particle Physics and Astrophysics, erklärte den Zusammenhang zwischen Gesichtserkennung und der Schätzung von dunkler Materie im Universum.
“Facebook verwendet seine Algorithmen, um Augen, Münder oder Ohren in Bildern zu finden; wir verwenden unsere, um nach den typischen Anzeichen von dunkler Materie und dunkler Energie zu suchen”, erklärte er.
Dunkle Materie kann nicht direkt durch Teleskopbilder gesehen werden, aber sie biegt den Pfad von Lichtstrahlen, die von anderen Galaxien zur Erde kommen, um. Dies wird als schwache gravitative Linse bezeichnet und verformt die Bilder dieser Galaxien.
Die Verformung, die stattfindet, wird dann von Wissenschaftlern verwendet. Sie erstellen Karten basierend auf der Masse des Himmels und zeigen, wo dunkle Materie ist. Die Wissenschaftler nehmen dann theoretische Vorhersagen der Lage von dunkler Materie und vergleichen sie mit den erstellten Karten und suchen nach denjenigen, die am besten mit den Daten übereinstimmen.
Die beschriebene Methode mit Karten wird traditionell durch die Verwendung von statistischen Methoden durchgeführt, die von Menschen entworfen wurden, die helfen, zu erklären, wie Teile der Karten zueinander in Beziehung stehen. Das Problem, das mit dieser Methode auftritt, ist, dass sie nicht gut geeignet ist, um komplexe Muster zu erkennen, die in solchen Karten vorhanden sind.
“In unserer jüngsten Arbeit haben wir eine völlig neue Methodik verwendet… Anstatt die geeignete statistische Analyse selbst zu erfinden, lassen wir die Computer die Arbeit tun”, sagte Alexandre Refregier.
Aurelien Lucchi und sein Team vom Data Analytics Lab am Department of Computer Science, zusammen mit Janis Fluri, einem PhD-Studenten aus Refregiers Gruppe und dem Hauptautor der Studie, arbeiteten zusammen, um maschinelle Lernalgorithmen zu verwenden. Sie verwendeten sie, um tiefe künstliche neuronale Netze zu erstellen, die in der Lage sind, so viel Informationen wie möglich aus den dunklen Materiekarten zu extrahieren.
Die Gruppe von Wissenschaftlern gab dem neuronalen Netzwerk zunächst computererzeugte Daten, die das Universum simulierten. Das neuronale Netzwerk brachte sich selbst bei, welche Merkmale zu suchen und große Mengen an Informationen zu extrahieren.
Diese neuronalen Netze übertrafen die Analyse, die von Menschen erstellt wurde. Insgesamt waren sie 30% genauer als die traditionellen Methoden, die auf statistischer Analyse basieren. Wenn Kosmologen dasselbe Maß an Genauigkeit erreichen wollten, ohne diese Algorithmen zu verwenden, müssten sie mindestens doppelt so viel Beobachtungszeit aufwenden.
Nachdem diese Methoden etabliert worden waren, verwendeten die Wissenschaftler sie, um dunkle Materiekarten auf der Grundlage des KiDS-450-Datensatzes zu erstellen.
“Dies ist das erste Mal, dass solche maschinellen Lernalgorithmen in diesem Zusammenhang verwendet werden, und wir fanden heraus, dass das tiefe künstliche neuronale Netzwerk es uns ermöglicht, mehr Informationen aus den Daten zu extrahieren als vorherige Ansätze. Wir glauben, dass diese Verwendung von maschinellem Lernen in der Kosmologie viele zukünftige Anwendungen haben wird”, sagte Fluri.
Die Wissenschaftler wollen jetzt diese Methode auf größere Bildmengen wie die Dark Energy Survey anwenden, und die neuronalen Netze werden neue Informationen über dunkle Materie aufnehmen.
