Tutkijat käyttävät muokattuja kasvontunnistustekniikoita pimeän aineen löytämiseksi

Yksi asia, johon yleisö on tottunut tekoälysovelluksissa, on kasvontunnistus. Riippumatta siitä, onko kyse puhelimen avaamisesta tai Facebookin algoritmista, joka etsii silmiä tai muita kasvon osia kuvista, kasvontunnistus on tullut tutuksi. (META )

Nyt tutkijat, jotka työskentelevät monimutkaisilla kysymyksillä, kuten maailmankaikkeuden koostumus, alkavat käyttää muokattua versiota “standardista” kasvontunnistuksesta yrittääkseen löytää pimeän aineen määrää maailmankaikkeudessa ja sen mahdollista sijaintia.

Kuten Digital Trends ja Futurity huomauttavat raporteissaan aiheesta, “fyysikot uskovat, että tämän mystisen aineen ymmärtäminen on välttämätöntä perustaa maailmankaikkeuden perusrakenteen selittämiseksi.”

Tutkijat Alexandre Refregierin ryhmässä Institute of Particle Physics and Astrophysicsissa ETH Zürichissä, Sveitsissä, ovat alkaneet käyttää syvän neuroverkkomenetelmää, joka on kasvontunnistuksen takana, kehittääkseen uusia, erityisiä työkaluja yrittääkseen löytää maailmankaikkeuden edelleen tuntematonta salaisuutta.

Kuten Janis Fluri, yksi tutkijoista, joka työskentelee hankkeessa, kertoi Digital Trendsille, “Algoritmi, jota käytämme, on hyvin lähellä sitä, mitä yleensä käytetään kasvontunnistuksessa,” lisäten, että “tekoälyn kauneus on, että se voi oppia lähes mistä tahansa datasta. Kasvontunnistuksessa se oppii tunnistamaan silmät, suut ja nenät, kun taas etsimme rakenteita, jotka antavat meille vihjeitä pimeästä aineesta. Tämä mallintunnistus on algoritmin ydin. Lopulta sovimme sen vain johtamaan perustuvia kosmologisia parametreja.”

Kuten selitetään, tutkijat olettavat, että pimeä aine kattaa noin 27 % maailmankaikkeudesta, jolloin näkyvä aine on kuusi kertaa vähemmän. Teoria myös sanoo, että pimeä aine antaa galakseille “tarvittavan massan, jotta ne eivät repeydy itsestään kuin itsemurhanen paperipussi. Se on se, mikä ajaa normaalia ainetta, pölyä ja kaasua, kokoamaan ja muodostamaan tähdistä ja galakseista.”

Mikä tutkijat etsivät, ovat alueet galaksiryhmien ympärillä, jotka näyttävät vääristyneiltä. Käyttämällä reverse-engineeringiä “he voivat erottaa, missä he uskovat, että tiheimmät ainekset, sekä näkyvät että näkymättömät, voidaan löytää.”

Fluri ja Tomasz Kacprzak, toinen tutkija ryhmässä, selittivät, että he kouluttivat neuroverkkonsa syöttämällä sille tietokoneella luotua dataa, joka simuloi maailmankaikkeutta. Heidän toistuva analyysi pimeän aineen kartoista antoi heille mahdollisuuden erottaa “kosmologisia parametreja” todellisista taivaankappaleiden kuvista.

Tulokset, jotka he saavuttivat vertaamalla niitä standardimenetelmiin, joita käytetään tässä prosessissa, osoittivat 30 %:n parantumisen, perustuen ihmisten tekemään tilastolliseen analyysiin. Kuten Fluri selitti, “tekoälyalgoritmi tarvitsee paljon dataa oppiakseen koulutusvaiheessa. On hyvin tärkeää, että tämä koulutusdata, tapauksessamme simulaatiot, on mahdollisimman tarkka. Muuten se oppii piirteitä, joita ei ole oikeassa datasta.”

Koulutusverkon jälkeen he syöttivät siihen todellisia pimeän aineen kartoja, jotka saatiin KiDS-450-tietokannasta, joka on tehty VLT Survey Telescope (VST) -teleskoopilla Chilessä. Tämä tietokanta kattaa yhteensä noin 2 200 kertaa täyden kuun kokoisen alueen ja sisältää noin 15 miljoonan galaksin tiedot.

Kuten Futurity selittää, toistuvasti analysoimalla pimeän aineen kartoja, neuroverkko opiskeli etsimään oikeanlaisia piirteitä niistä ja erottamaan yhä enemmän haluttua tietoa. “Facebook-analogian mukaan se paransi kykyään erottamaan sattumanvaraiset soikeat muodot silmistä tai suista.”