Ilmuwan Menggunakan Kecerdasan Buatan untuk Mengestimasi Materi Gelap di Alam Semesta

Ilmuwan dari Departemen Fisika dan Departemen Ilmu Komputer di ETH Zurich menggunakan kecerdasan buatan untuk mempelajari lebih lanjut tentang alam semesta kita. Mereka berkontribusi pada metode yang digunakan untuk mengestimasi jumlah materi gelap yang ada. Kelompok ilmuwan ini mengembangkan algoritma pembelajaran mesin yang serupa dengan yang digunakan oleh Facebook (META ) dan perusahaan media sosial lainnya untuk pengenalan wajah. Algoritma ini membantu menganalisis data kosmologis. Penelitian dan hasil baru diterbitkan dalam jurnal ilmiah Physical Review D.

Tomasz Kacprzak, seorang peneliti dari Institut Fisika Partikel dan Astrofisika, menjelaskan hubungan antara pengenalan wajah dan mengestimasi materi gelap di alam semesta.

“Facebook menggunakan algoritma mereka untuk menemukan mata, mulut, atau telinga dalam gambar; kami menggunakan algoritma kami untuk mencari tanda-tanda materi gelap dan energi gelap,” jelasnya.

Materi gelap tidak dapat dilihat secara langsung oleh gambar teleskop, tetapi dapat membengkokkan jalur sinar cahaya yang datang ke bumi dari galaksi lain. Ini disebut lensa gravitasi lemah, dan memdistorsi gambar galaksi tersebut.

Distorsi yang terjadi kemudian digunakan oleh ilmuwan. Mereka membangun peta berdasarkan massa langit, dan menunjukkan di mana materi gelap berada. Ilmuwan kemudian mengambil prediksi teoretis lokasi materi gelap dan membandingkannya dengan peta yang dibangun, dan mencari yang paling sesuai dengan data.

Metode yang dijelaskan dengan peta ini secara tradisional dilakukan dengan menggunakan statistik yang dirancang oleh manusia, yang membantu menjelaskan bagaimana bagian-bagian peta berhubungan satu sama lain. Masalah yang timbul dengan metode ini adalah bahwa metode ini tidak cocok untuk mendeteksi pola kompleks yang ada dalam peta tersebut.

“Dalam pekerjaan kami yang baru, kami telah menggunakan metodologi yang sama sekali baru… Sebagai gantinya, kami membiarkan komputer melakukan pekerjaan itu,” kata Alexandre Refregier.

Aurelien Lucchi dan timnya dari Laboratorium Analisis Data di Departemen Ilmu Komputer, bersama dengan Janis Fluri, seorang mahasiswa PhD dari kelompok Refregier dan penulis utama studi ini, bekerja sama menggunakan algoritma pembelajaran mesin. Mereka menggunakan algoritma ini untuk membangun jaringan saraf buatan yang dalam yang dapat belajar untuk mengekstrak sebanyak mungkin informasi dari peta materi gelap.

Kelompok ilmuwan ini pertama-tama memberikan jaringan saraf komputer data yang dihasilkan komputer yang mensimulasikan alam semesta. Jaringan saraf akhirnya mengajar diri sendiri fitur apa yang harus dicari dan mengekstrak sejumlah besar informasi.

Jaringan saraf ini outperformed analisis buatan manusia. Secara total, mereka 30% lebih akurat daripada metode tradisional yang berdasarkan analisis statistik buatan manusia. Jika kosmolog ingin mencapai tingkat akurasi yang sama tanpa menggunakan algoritma ini, mereka harus menghabiskan setidaknya dua kali lipat waktu observasi.

Setelah metode ini dibangun, ilmuwan kemudian menggunakan metode ini untuk membuat peta materi gelap berdasarkan dataset KiDS-450.

“Ini adalah pertama kalinya alat pembelajaran mesin seperti ini digunakan dalam konteks ini, dan kami menemukan bahwa jaringan saraf buatan yang dalam memungkinkan kami untuk mengekstrak lebih banyak informasi dari data daripada pendekatan sebelumnya. Kami percaya bahwa penggunaan pembelajaran mesin dalam kosmologi ini akan memiliki banyak aplikasi di masa depan,” kata Fluri.

Ilmuwan sekarang ingin menggunakan metode ini pada set gambar yang lebih besar seperti Survei Energi Gelap, dan jaringan saraf akan mulai mempelajari informasi baru tentang materi gelap.