Científicos utilizan técnicas de reconocimiento facial modificadas para descubrir la materia oscura

Si hay algo con lo que el público en general está familiarizado cuando se trata del uso de la inteligencia artificial, es el reconocimiento facial. Ya sea que se trate de abrir su teléfono móvil o los algoritmos que Facebook (META ) utiliza para encontrar ojos o otras partes de la cara en las imágenes, el reconocimiento facial se ha convertido en algo estándar.

Pero ahora, los científicos que se ocupan de cuestiones complejas como la composición del universo están comenzando a utilizar una versión modificada del “estándar” de reconocimiento facial en un intento por descubrir cuánta materia oscura hay en el universo y dónde podría estar ubicada.

Como nota Digital Trends y Futurity en sus informes sobre el tema, “los físicos creen que entender esta sustancia misteriosa es necesario para explicar cuestiones fundamentales sobre la estructura subyacente del universo.”

Es el grupo de investigadores reunidos en el grupo de Alexandre Refregier en el Instituto de Física de Partículas y Astrofísica de ETH Zurich, Suiza, que ha comenzado a utilizar métodos de redes neuronales profundas que se encuentran detrás del reconocimiento facial para desarrollar nuevas herramientas especiales para intentar descubrir lo que todavía es un secreto del universo para nosotros.

Como Janis Fluri, uno de los investigadores que trabajan en el proyecto, le dijo a Digital Trends, “El algoritmo que [usamos] es muy similar al que se utiliza comúnmente en el reconocimiento facial,” agregando que “la belleza de la IA es que puede aprender de básicamente cualquier dato. En el reconocimiento facial, aprende a reconocer ojos, bocas y narices, mientras que nosotros estamos buscando estructuras que nos den pistas sobre la materia oscura. Este reconocimiento de patrones es esencialmente el núcleo del algoritmo. En última instancia, solo lo adaptamos para inferir los parámetros cosmológicos subyacentes.”

Como se explica, los científicos hipotetizan que la materia oscura representa alrededor del 27% del universo, superando la materia visible en una proporción de aproximadamente seis a uno. La teoría también establece que la materia oscura da a las galaxias “la masa extra que necesitan para no desgarrarse como una bolsa de papel suicida. Es lo que impulsa la materia normal en forma de polvo y gas a colectarse y ensamblarse en estrellas y galaxias.”

Lo que los investigadores están buscando son las áreas alrededor de los cúmulos de galaxias que parecen distorsionadas. Al utilizar la ingeniería inversa “pueden aislar dónde creen que se encuentran las concentraciones más densas de materia, tanto visible como invisible.”

Fluri y Tomasz Kacprzak, otro investigador del grupo, explicaron que entrenaron su red neuronal alimentándola con datos generados por computadora que simulan el universo. Su análisis repetido de los mapas de materia oscura les dio la posibilidad de extraer ‘parámetros cosmológicos’ de las imágenes reales del cielo.

Los resultados que lograron al compararlos con los métodos estándar utilizados en este proceso mostraron una mejora del 30%, basado en el análisis estadístico realizado por humanos. Como Fluri explicó, “el algoritmo de IA necesita mucha data para aprender en la fase de entrenamiento. Es muy importante que esta data de entrenamiento, en nuestro caso simulaciones, sea lo más precisa posible. De lo contrario, aprenderá características que no están presentes en los datos reales.”

Después de entrenar la red, se la alimentaron con mapas de materia oscura reales obtenidos del conjunto de datos KiDS-450, realizado utilizando el Telescopio de Encuesta VLT (VST) en Chile. Este conjunto de datos cubre un área total de aproximadamente 2.200 veces el tamaño de la luna llena y contiene registros de alrededor de 15 millones de galaxias.

Como explica Futurity, al analizar repetidamente los mapas de materia oscura, la red neuronal se enseñó a sí misma a buscar el tipo correcto de características en ellos y a extraer más y más de la información deseada. “En la analogía de Facebook, mejoró en distinguir formas ovaladas aleatorias de ojos o bocas.”