Wissenschaftler verwenden modifizierte Gesichtserkennungstechniken, um dunkle Materie zu entdecken

Wenn es eines gibt, mit dem die Öffentlichkeit vertraut ist, wenn es um die Verwendung künstlicher Intelligenz geht, dann ist es die Gesichtserkennung. Ob es darum geht, ihr Mobiltelefon zu öffnen oder die Algorithmen, die Facebook (META ) verwendet, um Augen oder andere Teile eines Gesichts in Bildern zu finden, die Gesichtserkennung ist zum Standard geworden.

Aber jetzt beginnen Wissenschaftler, die sich mit komplexen Fragen wie der Zusammensetzung des Universums befassen, eine modifizierte Version der “Standard”-Gesichtserkennung zu verwenden, um zu versuchen, herauszufinden, wie viel dunkle Materie es im Universum gibt und wo sie möglicherweise zu finden ist.

Wie Digital Trends und Futurity in ihren Berichten über das Thema feststellen, “glauben Physiker, dass das Verständnis dieser mysteriösen Substanz notwendig ist, um grundlegende Fragen über die zugrunde liegende Struktur des Universums zu beantworten.”

Es sind die Forscher, die sich in der Gruppe von Alexandre Refregier am Institut für Teilchenphysik und Astrophysik der ETH Zürich, Schweiz, versammelt haben, die begonnen haben, tiefe neuronale Netzwerkmethoden zu verwenden, die der Gesichtserkennung zugrunde liegen, um neue, spezielle Werkzeuge zu entwickeln, um zu versuchen, das noch immer ein Geheimnis des Universums für uns ist, zu entdecken.

Wie Janis Fluri, einer der Forscher, die an dem Projekt arbeiten, Digital Trends erzählte, “ist der Algorithmus, den wir verwenden, sehr ähnlich dem, der üblicherweise bei der Gesichtserkennung verwendet wird”, und fügte hinzu, “die Schönheit der künstlichen Intelligenz ist, dass sie aus praktisch allen Daten lernen kann. Bei der Gesichtserkennung lernt sie, Augen, Münder und Nasen zu erkennen, während wir nach Strukturen suchen, die uns Hinweise auf dunkle Materie geben. Diese Mustererkennung ist im Wesentlichen der Kern des Algorithmus. Letztendlich haben wir ihn nur angepasst, um die zugrunde liegenden kosmologischen Parameter abzuleiten.”

Wie erklärt wird, nehmen die Wissenschaftler an, dass dunkle Materie etwa 27% des Universums ausmacht und sichtbare Materie im Verhältnis von etwa sechs zu eins überwiegt. Die Theorie besagt auch, dass dunkle Materie den Galaxien “die extra Masse gibt, die sie benötigen, um sich nicht wie ein selbstmörderischer Papiersack auseinanderzureißen. Sie ist es, was normale Materie in Form von Staub und Gas dazu bringt, sich zu sammeln und zu Galaxien und Sternen zusammenzubauen.”

Wonach die Forscher suchen, sind die Bereiche um die Galaxienhaufen herum, die sich verzerrt erscheinen. Durch Reverse-Engineering “können sie dann isolieren, wo sie glauben, dass die dichtesten Konzentrationen von Materie, sowohl sichtbar als auch unsichtbar, zu finden sind.”

Fluri und Tomasz Kacprzak, ein weiterer Forscher in der Gruppe, erklärten, dass sie ihr neuronales Netzwerk trainierten, indem sie es mit computer-generierten Daten fütterten, die tatsächlich das Universum simulieren. Durch wiederholte Analyse der dunklen Materiekarten konnten sie “kosmologische Parameter” aus den realen Bildern des Himmels extrahieren.

Die Ergebnisse, die sie durch Vergleich mit herkömmlichen Methoden erzielten, zeigten eine 30%ige Verbesserung, basierend auf statistischer Analyse durch Menschen. Wie Fluri erklärte, “benötigt der künstliche Intelligenz-Algorithmus viele Daten, um in der Trainingsphase zu lernen. Es ist sehr wichtig, dass diese Trainingsdaten, in unserem Fall Simulationen, so genau wie möglich sind. Andernfalls wird er Merkmale lernen, die in realen Daten nicht vorhanden sind.”

Nachdem sie das Netzwerk trainiert hatten, fütterten sie es mit tatsächlichen dunklen Materiekarten, die aus dem KiDS-450-Datensatz stammten, der mit dem VLT Survey Telescope (VST) in Chile erstellt wurde. Dieser Datensatz umfasst eine Gesamtfläche von etwa 2.200 mal der Größe des vollen Mondes und enthält Aufzeichnungen von etwa 15 Millionen Galaxien.

Wie Futurity erklärt, lernte das neuronale Netzwerk durch wiederholte Analyse der dunklen Materiekarten, die richtigen Merkmale in ihnen zu suchen und immer mehr der gewünschten Informationen zu extrahieren. “In der Facebook-Analogie wurde es besser darin, zufällige ovale Formen von Augen oder Mündern zu unterscheiden.”