Επιστήμονες Χρησιμοποιούν Τεχνητή Νοημοσύνη για να Εκτιμήσουν τη Σκοτεινή Υλή στο Σύμπαν

Επιστήμονες από το Τμήμα Φυσικής και το Τμήμα Επιστήμης Υπολογιστών στο ETH Zurich χρησιμοποιούν τη τεχνητή νοημοσύνη για να μάθουν περισσότερα για το σύμπαν μας. Συμμετέχουν στις μεθόδους που χρησιμοποιούνται για να εκτιμήσουν την ποσότητα της σκοτεινής ύλης που είναι παρούσα. Η ομάδα των επιστημόνων ανέπτυξε αλγόριθμους μηχανικής μάθησης που είναι παρόμοιοι με εκείνους που χρησιμοποιούνται από την Facebook (META ) και άλλες εταιρείες κοινωνικών μέσων για την αναγνώριση προσώπων. Αυτοί οι αλγόριθμοι βοηθούν στην ανάλυση κοσμολογικών δεδομένων. Η νέα έρευνα και τα αποτελέσματα δημοσιεύθηκαν στο επιστημονικό περιοδικό Physical Review D.

Ο Tomasz Kacprzak, ερευνητής από το Ινστιτούτο Σωματιδιακής Φυσικής και Αστροφυσικής, εξήγησε τη σύνδεση μεταξύ αναγνώρισης προσώπων και εκτίμησης της σκοτεινής ύλης στο σύμπαν.

“Η Facebook χρησιμοποιεί τους αλγόριθμους της για να βρει μάτια, στόμα ή αυτιά σε εικόνες. Мы χρησιμοποιούμε τους δικούς μας αλγόριθμους για να ψάξουμε για τα χαρακτηριστικά της σκοτεινής ύλης και της σκοτεινής ενέργειας”, εξήγησε.

Η σκοτεινή ύλη δεν μπορεί να παρατηρηθεί απευθείας από εικόνες τηλεσκοπίου, αλλά στρεβλώνει τη διαδρομή των ακτίνων φωτός που έρχονται στη Γη από άλλες γαλαξίες. Αυτό ονομάζεται ασθενής βαρυτική λένση και στρεβλώνει τις εικόνες των γαλαξιών.

Η στρέβλωση που συμβαίνει χρησιμοποιείται τότε από τους επιστήμονες. Κατασκευάζουν χάρτες με βάση τη μάζα του ουρανού και δείχνουν πού βρίσκεται η σκοτεινή ύλη. Οι επιστήμονες τότε παίρνουν θεωρητικές προβλέψεις για τη θέση της σκοτεινής ύλης και τις συγκρίνουν με τους χάρτες που έχουν κατασκευαστεί και ψάχνουν για εκείνες που ταιριάζουν περισσότερο με τα δεδομένα.

Η μεθοδολογία που περιγράφηκε με τους χάρτες γίνεται παραδοσιακά χρησιμοποιώντας στατιστικές που έχουν σχεδιαστεί από τους ανθρώπους, οι οποίες βοηθούν να εξηγηθεί πώς τα διάφορα μέρη των χαρτών σχετίζονται μεταξύ τους. Το πρόβλημα που προκύπτει με αυτή τη μέθοδο είναι ότι δεν είναι κατάλληλη για την ανίχνευση των σύνθετων μοτίβων που υπάρχουν σε τέτοιους χάρτες.

“Στην πρόσφατη εργασία μας, χρησιμοποιήσαμε μια完全 νέα μεθοδολογία… Αντί να εφευρέσουμε τις κατάλληλες στατιστικές αναλύσεις ourselves, άφησαμε τους υπολογιστές να κάνουν τη δουλειά”, είπε ο Alexandre Refregier.

Ο Aurelien Lucchi και η ομάδα του από το Εργαστήριο Ανάλυσης Δεδομένων στο Τμήμα Επιστήμης Υπολογιστών, μαζί με τον Janis Fluri, φοιτητή διδακτορικού στο grupo του Refregier και τον βασικό συγγραφέα της μελέτης, δούλεψαν μαζί χρησιμοποιώντας αλγόριθμους μηχανικής μάθησης. Χρησιμοποίησαν αυτούς για να καθορίσουν βαθιά τεχνητά νευρωνικά δίκτυα που μπορούν να μάθουν να εξάγουν όσο το δυνατόν περισσότερες πληροφορίες από τους χάρτες της σκοτεινής ύλης.

Η ομάδα των επιστημόνων πρώτα έδωσε στο νευρωνικό δίκτυο υπολογιστικά δεδομένα που προσομοίαζαν το σύμπαν. Το νευρωνικό δίκτυο τελικά taught себе ποια χαρακτηριστικά να ψάξει και να εξάγει μεγάλες ποσότητες πληροφοριών.

Αυτά τα νευρωνικά δίκτυα υπερέβησαν την ανάλυση που είχε γίνει από τους ανθρώπους. Συνολικά, ήταν 30% πιο ακριβή από τις παραδοσιακές μεθόδους που βασίζονται σε στατιστικές αναλύσεις που έχουν σχεδιαστεί από τους ανθρώπους. Αν οι κοσμολόγοι ήθελαν να επιτύχουν το ίδιο ποσοστό ακρίβειας χωρίς να χρησιμοποιήσουν αυτούς τους αλγόριθμους, θα έπρεπε να αφιερώσουν τουλάχιστον το διπλάσιο χρόνο παρατήρησης.

Μετά την καθιέρωση αυτών των μεθόδων, οι επιστήμονες τότε τις χρησιμοποίησαν για να δημιουργήσουν χάρτες της σκοτεινής ύλης με βάση το KiDS-450 dataset.

“Αυτή είναι η πρώτη φορά που τέτοιες εργαλεία μηχανικής μάθησης έχουν χρησιμοποιηθεί σε αυτό το контέκστ, και βρήκαμε ότι το βαθύ τεχνητό νευρωνικό δίκτυο μας επιτρέπει να εξάγουμε περισσότερες πληροφορίες από τα δεδομένα παρά οι προηγούμενες προσεγγίσεις. Πιστεύουμε ότι αυτή η χρήση της μηχανικής μάθησης στην κοσμολογία θα έχει πολλές μελλοντικές εφαρμογές”, είπε ο Fluri.

Οι επιστήμονες τώρα θέλουν να χρησιμοποιήσουν αυτή τη μέθοδο σε μεγαλύτερες συνόλους εικόνων, όπως η Ερεύνα της Σκοτεινής Ενέργειας, και τα νευρωνικά δίκτυα θα αρχίσουν να λαμβάνουν νέες πληροφορίες για τη σκοτεινή ύλη.