Les scientifiques utilisent des techniques de reconnaissance faciale modifiées pour découvrir la matière noire

Si il y a une chose que le grand public connaît bien lorsqu’il s’agit de l’utilisation de l’intelligence artificielle, c’est la reconnaissance faciale. Que ce soit pour ouvrir leur téléphone mobile ou les algorithmes que Facebook (META ) utilise pour trouver les yeux ou d’autres parties du visage dans les images, la reconnaissance faciale est devenue une norme.

Mais maintenant, les scientifiques qui traitent de questions complexes comme la composition de l’univers commencent à utiliser une version modifiée de la « norme » de reconnaissance faciale dans le but de découvrir combien de matière noire il y a dans l’univers et où elle pourrait être située.

Comme Digital Trends et Futurity le notent dans leurs rapports sur le sujet, “les physiciens croient que la compréhension de cette substance mystérieuse est nécessaire pour expliquer des questions fondamentales sur la structure sous-jacente de l’univers.”

Ce sont les chercheurs regroupés dans le groupe d’Alexandre Refregier à l’Institut de physique des particules et d’astrophysique de l’ETH Zurich, en Suisse, qui ont commencé à utiliser des méthodes de réseau neuronal profond qui se trouvent derrière la reconnaissance faciale pour développer de nouveaux outils spéciaux afin d’essayer de découvrir ce qui est encore un secret de l’univers pour nous.

Comme Janis Fluri, l’un des chercheurs travaillant sur le projet, l’a dit à Digital Trends, “L’algorithme que nous utilisons est très proche de celui qui est couramment utilisé dans la reconnaissance faciale,” ajoutant que “la beauté de l’IA est qu’elle peut apprendre à partir de pratiquement toutes les données. Dans la reconnaissance faciale, elle apprend à reconnaître les yeux, les bouches et les nez, tandis que nous recherchons des structures qui nous donnent des indices sur la matière noire. Cette reconnaissance de modèles est essentiellement le noyau de l’algorithme. Finalement, nous n’avons fait que l’adapter pour déduire les paramètres cosmologiques sous-jacents.”

Comme cela est expliqué, les scientifiques hypothèsent que la matière noire représente environ 27 % de l’univers, surpassant la matière visible d’un rapport d’environ six à un. La théorie va également dans le sens que la matière noire donne aux galaxies “la masse supplémentaire dont elles ont besoin pour ne pas se déchirer comme un sac en papier suicidaire. C’est ce qui pousse la matière normale sous forme de poussière et de gaz à se collecter et à s’assembler en étoiles et en galaxies.”

Ce que les chercheurs recherchent, ce sont les zones autour des amas de galaxies qui apparaissent déformées. En utilisant une rétro-ingénierie, “ils peuvent alors isoler où ils croient que les concentrations les plus denses de matière, à la fois visible et invisible, peuvent être trouvées.”

Fluri et Tomasz Kacprzak, un autre chercheur du groupe, ont expliqué qu’ils ont formé leur réseau neuronal en lui fournissant des données générées par ordinateur qui simulent effectivement l’univers. Leur analyse répétée des cartes de matière noire leur a donné la possibilité d’extraire des « paramètres cosmologiques » à partir des images réelles du ciel.

Les résultats qu’ils ont obtenus en les comparant aux méthodes standard utilisées dans ce processus ont montré une amélioration de 30 %, sur la base d’une analyse statistique humaine. Comme Fluri l’a expliqué, “l’algorithme d’IA a besoin de beaucoup de données pour apprendre pendant la phase d’entraînement. Il est très important que ces données de formation, dans notre cas des simulations, soient aussi précises que possible. Sinon, il apprendra des caractéristiques qui ne sont pas présentes dans les données réelles.”

Après avoir formé le réseau, ils lui ont fourni des cartes de matière noire réelles obtenues à partir du jeu de données KiDS-450, réalisé à l’aide du télescope VLT Survey (VST) au Chili. Ce jeu de données couvre une superficie totale d’environ 2 200 fois la taille de la pleine lune et contient des enregistrements d’environ 15 millions de galaxies.

Comme Futurity l’explique, en analysant à plusieurs reprises les cartes de matière noire, le réseau neuronal s’est enseigné à lui-même à rechercher le bon type de caractéristiques en elles et à extraire de plus en plus d’informations souhaitées. “Dans l’analogie Facebook, il est devenu meilleur pour distinguer les formes ovales aléatoires des yeux ou des bouches.”