Επιστήμονες Χρησιμοποιούν Τροποποιημένες Τεχνικές Αναγνώρισης Προσώπου για την Ανακάλυψη Σκοτεινής Υλης

Εάν υπάρχει κάτι που το γενικό κοινό είναι εξοικειωμένο με τη χρήση της τεχνητής νοημοσύνης, τότε αυτό είναι η αναγνώριση προσώπου. Όπως είναι το άνοιγμα του κινητού τηλεφώνου τους ή οι αλγόριθμοι που χρησιμοποιεί το Facebook (META ) για να βρει τα μάτια ή άλλα μέρη του προσώπου σε εικόνες, η αναγνώριση προσώπου έχει γίνει ένα стандарт.

Αλλά τώρα οι επιστήμονες που ασχολούνται με σύνθετα ερωτήματα όπως η σύνθεση του σύμπαντος αρχίζουν να χρησιμοποιούν μια τροποποιημένη έκδοση της «τυπικής» αναγνώρισης προσώπου σε μια προσπάθεια να ανακαλύψουν πόσο σκοτεινή ύλη υπάρχει στο σύμπαν και πού βρίσκεται πιθανώς.

Όπως σημειώνουν οι Digital Trends και Futurity στις αναφορές τους για το θέμα, «οι φυσικοί πιστεύουν ότι η κατανόηση αυτής της μυστηριώδους ουσίας είναι απαραίτητη για να εξηγήσουν θεμελιώδεις ερωτήσεις σχετικά με την υποκείμενη δομή του σύμπαντος.»

Είναι οι ερευνητές που συγκεντρώθηκαν στην ομάδα του Alexandre Refregier στο Ινστιτούτο Σωματιδιακής Φυσικής και Αστροφυσικής στο ETH Zurich, Ελβετία, που άρχισαν να χρησιμοποιούν μεθόδους βαθιάς νευρωνικής δικτύου που βρίσκονται πίσω από την αναγνώριση προσώπου για να αναπτύξουν νέα, ειδικά εργαλεία για να προσπαθήσουν να ανακαλύψουν τι είναι ακόμη ένα μυστικό του σύμπαντος για μας.

Όπως ανέφερε ο Janis Fluri, ένας από τους ερευνητές που εργάζονται στο πρότζεκτ, στους Digital Trends, «Ο αλγόριθμος που χρησιμοποιούμε είναι πολύ κοντά σε αυτό που χρησιμοποιείται συνήθως στην αναγνώριση προσώπου,» προσθέτοντας ότι «η ομορφιά της ΤΝ είναι ότι μπορεί να μάθει από σχεδόν οποιαδήποτε δεδομένα. Στην αναγνώριση προσώπου, μαθαίνει να αναγνωρίζει μάτια, στόματα και μύτες, ενώ εμείς ψάχνουμε για δομές που μας δίνουν ενδείξεις για τη σκοτεινή ύλη. Αυτή η αναγνώριση προτύπων είναι ουσιαστικά το κεντρικό μέρος του αλγορίθμου. Τελικά, μόνο το προσαρμόσαμε για να εξαγάγουμε τις υποκείμενες κοσμολογικές παραμέτρους.»

Όπως εξηγείται, οι επιστήμονες υποθέτουν ότι η σκοτεινή ύλη αντιστοιχεί σε περίπου 27% του σύμπαντος, υπερβαίνοντας τη видимή ύλη με αναλογία περίπου έξι προς ένα. Η θεωρία επίσης λέει ότι η σκοτεινή ύλη δίνει στους γαλαξίες «την επιπλέον μάζα που χρειάζονται για να μην σπάσουν σαν ένα αυτοκτονικό χάρτινο σακούλι. Είναι αυτό που οδηγεί τη φυσική ύλη στη μορφή σκόνης και αερίου να συλλέγεται και να συνθέτει σε αστέρια και γαλαξίες.»

Αυτό που ψάχνουν οι ερευνητές είναι οι περιοχές γύρω από τους σωρούς γαλαξιών που φαίνονται παραμορφωμένες. Χρησιμοποιώντας αναστροφή «μπορούν να απομονώσουν πού πιστεύουν ότι βρίσκονται οι πυκνότερες συγκεντρώσεις ύλης, τόσο ορατής όσο και αόρατης.»

Ο Fluri και ο Tomasz Kacprzak, ένας άλλος ερευνητής στην ομάδα, εξήγησαν ότι εκπαίδευσαν το νευρωνικό τους δίκτυο με δεδομένα που προέρχονται από υπολογιστές και που μιμούνται το σύμπαν. Η επαναλαμβανόμενη ανάλυση των χαρτών σκοτεινής ύλης τους έδωσε τη δυνατότητα να εξαγάγουν «κοσμολογικές παραμέτρους» από τις πραγματικές εικόνες του ουρανού.

Τα αποτελέσματα που έλαβαν συγκρίνοντάς τα με τις τυπικές μεθόδους που χρησιμοποιούνται σε αυτή τη διαδικασία έδειξαν μια βελτίωση 30%, βασισμένη σε στατιστική ανάλυση από τον άνθρωπο. Όπως εξήγησε ο Fluri, «ο αλγόριθμος ΤΝ χρειάζεται πολλά δεδομένα για να μάθει στη φάση εκπαίδευσης. Είναι πολύ σημαντικό ότι αυτά τα δεδομένα, στην περίπτωσή μας προσομοιώσεις, είναι όσο το δυνατόν πιο ακριβή. Αλλιώς, θα μάθει χαρακτηριστικά που δεν υπάρχουν στα πραγματικά δεδομένα.»

Μετά την εκπαίδευση του δικτύου, το έτρεξαν με πραγματικούς χάρτες σκοτεινής ύλης που προέρχονται από το KiDS-450 dataset, που δημιουργήθηκε με το τηλεσκόπιο VLT Survey Telescope (VST) στη Χιλή. Αυτό το σύνολο δεδομένων καλύπτει μια περιοχή που είναι περίπου 2.200 φορές μεγαλύτερη από το πλήρες φεγγάρι και περιέχει εγγραφές για περίπου 15 εκατομμύρια γαλαξίες.

Όπως εξηγεί η Futurity, με την επαναλαμβανόμενη ανάλυση των χαρτών σκοτεινής ύλης, το νευρωνικό δίκτυο έμαθε να ψάχνει για τα σωστά είδη χαρακτηριστικών σε αυτά και να εξάγει όλο και περισσότερες από τις επιθυμητές πληροφορίες. «Στην αναλογία του Facebook, έγινε καλύτερο στο να διακρίνει τυχαίες ωοειδείς μορφές από μάτια ή στόματα.»