ນັກວິທະຍາສາດໃຊ້ປັນຍາປະດິດເພື່ອຄາດຄະເນເລື່ອງມືດໃນຈັກກະວານ

ນັກວິທະຍາສາດຈາກພາກວິຊາຟີຊິກ ແລະ ພາກວິຊາວິທະຍາສາດຄອມພິວເຕີຢູ່ ETH Zurich ກໍາລັງໃຊ້ປັນຍາປະດິດເພື່ອຮຽນຮູ້ເພີ່ມເຕີມກ່ຽວກັບຈັກກະວານຂອງພວກເຮົາ. ພວກເຂົາເຈົ້າກໍາລັງປະກອບສ່ວນເຂົ້າໃນວິທີການທີ່ໃຊ້ໃນຄໍາສັ່ງທີ່ຈະຄາດຄະເນປະລິມານຂອງວັດຖຸຊ້ໍາໃນປະຈຸບັນ. ກຸ່ມນັກວິທະຍາສາດໄດ້ພັດທະນາລະບົບການຮຽນຮູ້ເຄື່ອງຈັກທີ່ຄ້າຍກັບທີ່ Facebook ແລະບໍລິສັດສື່ສັງຄົມອື່ນໆທີ່ໃຊ້ໃນການຮັບຮູ້ໃບໜ້າ. ສູດການຄິດໄລ່ເຫຼົ່ານີ້ຊ່ວຍວິເຄາະຂໍ້ມູນ cosmological. ການຄົ້ນຄວ້າແລະຜົນໄດ້ຮັບໃຫມ່ໄດ້ຖືກຈັດພີມມາຢູ່ໃນວາລະສານວິທະຍາສາດ ການກວດຮ່າງກາຍ D. 

Tomasz Kacprzak, ນັກຄົ້ນຄວ້າຈາກ ສະຖາບັນຟີຊິກອະນຸພາກ ແລະ ຟີຊິກດາລາສາດ, ໄດ້ອະທິບາຍເຖິງການເຊື່ອມຕໍ່ລະຫວ່າງການຮັບຮູ້ໃບໜ້າ ແລະ ການປະເມີນຄວາມມືດໃນຈັກກະວານ. 

“ເຟສບຸກໃຊ້ສູດການຄິດໄລ່ຂອງມັນເພື່ອຊອກຫາຕາ, ປາກ ຫຼືຫູໃນຮູບພາບ; ພວກເຮົາໃຊ້ຂອງພວກເຮົາເພື່ອຊອກຫາສັນຍານບອກເລື່ອງຂອງເລື່ອງມືດແລະພະລັງງານຊ້ໍາ,” ລາວອະທິບາຍ. 

ຮູບ​ພາບ​ທີ່​ກ້ອງ​ຈຸ​ລະ​ທັດ​ບໍ່​ສາ​ມາດ​ເຫັນ​ໄດ້​ໂດຍ​ກົງ, ແຕ່​ມັນ​ໂຄ້ງ​ເສັ້ນ​ທາງ​ຂອງ​ແສງ​ສະ​ຫວ່າງ​ທີ່​ມາ​ສູ່​ໂລກ​ຈາກ​ກາ​ແລັກ​ຊີ​ອື່ນໆ. ອັນນີ້ເອີ້ນວ່າເລນກາວິທັດທີ່ອ່ອນແອ, ແລະມັນບິດເບືອນຮູບພາບຂອງກາແລັກຊີເຫຼົ່ານັ້ນ. 

ການບິດເບືອນທີ່ເກີດຂຶ້ນຫຼັງຈາກນັ້ນແມ່ນໃຊ້ໂດຍນັກວິທະຍາສາດ. ພວກເຂົາສ້າງແຜນທີ່ໂດຍອີງໃສ່ມະຫາຊົນຂອງທ້ອງຟ້າ, ແລະພວກເຂົາສະແດງໃຫ້ເຫັນບ່ອນທີ່ມີສິ່ງມືດ. ຫຼັງຈາກນັ້ນ, ນັກວິທະຍາສາດເອົາການຄາດເດົາທາງທິດສະດີກ່ຽວກັບສະຖານທີ່ຂອງວັດຖຸຊ້ໍາແລະປຽບທຽບກັບແຜນທີ່ທີ່ສ້າງຂຶ້ນ, ແລະພວກເຂົາຊອກຫາສິ່ງທີ່ກົງກັບຂໍ້ມູນທີ່ສຸດ.

ວິທີການອະທິບາຍດ້ວຍແຜນທີ່ແມ່ນເຮັດແບບດັ້ງເດີມໂດຍໃຊ້ສະຖິຕິທີ່ອອກແບບໂດຍມະນຸດ, ເຊິ່ງຊ່ວຍອະທິບາຍວ່າພາກສ່ວນຕ່າງໆຂອງແຜນທີ່ກ່ຽວຂ້ອງກັນແນວໃດ. ບັນຫາທີ່ເກີດຂື້ນກັບວິທີການນີ້ແມ່ນວ່າມັນບໍ່ເຫມາະສົມກັບການກວດສອບຮູບແບບສະລັບສັບຊ້ອນທີ່ມີຢູ່ໃນແຜນທີ່ດັ່ງກ່າວ. 

"ໃນວຽກງານທີ່ຜ່ານມາຂອງພວກເຮົາ, ພວກເຮົາໄດ້ນໍາໃຊ້ວິທີການໃຫມ່ຢ່າງສົມບູນ ... ແທນທີ່ຈະປະດິດການວິເຄາະສະຖິຕິທີ່ເຫມາະສົມກັບຕົວເຮົາເອງ, ພວກເຮົາປ່ອຍໃຫ້ຄອມພິວເຕີເຮັດວຽກ," Alexandre Refregier ເວົ້າ. 

Aurelien Lucchi ແລະທີມງານຂອງລາວຈາກຫ້ອງທົດລອງ Data Analytics ຢູ່ພະແນກວິທະຍາສາດຄອມພິວເຕີ, ພ້ອມກັບ Janis Fluri, ນັກສຶກສາປະລິນຍາເອກຈາກກຸ່ມ Refregier ແລະຜູ້ນໍາຂອງການສຶກສາ, ໄດ້ເຮັດວຽກຮ່ວມກັນໂດຍໃຊ້ເຄື່ອງຈັກການຮຽນຮູ້ເຄື່ອງຈັກ. ພວກເຂົາເຈົ້າໄດ້ນໍາໃຊ້ພວກມັນເພື່ອສ້າງເຄືອຂ່າຍ neural ທຽມທີ່ເລິກເຊິ່ງສາມາດຮຽນຮູ້ທີ່ຈະສະກັດຂໍ້ມູນຈາກແຜນທີ່ຂອງບັນຫາຊ້ໍາເທົ່າທີ່ເປັນໄປໄດ້. 

ກຸ່ມນັກວິທະຍາສາດທໍາອິດໄດ້ໃຫ້ຂໍ້ມູນຄອມພິວເຕີສ້າງເຄືອຂ່າຍ neural ທີ່ຈໍາລອງຈັກກະວານ. ເຄືອຂ່າຍ neural ໃນທີ່ສຸດໄດ້ສອນຕົວເອງວ່າລັກສະນະໃດທີ່ຈະຊອກຫາແລະສະກັດຂໍ້ມູນຈໍານວນຫລາຍ.

ເຄືອຂ່າຍ neural ເຫຼົ່ານີ້ປະຕິບັດໄດ້ດີກວ່າການວິເຄາະທີ່ສ້າງຂຶ້ນໂດຍມະນຸດ. ໃນຈໍານວນທັງຫມົດ, ພວກເຂົາເຈົ້າມີຄວາມຖືກຕ້ອງ 30% ຫຼາຍກ່ວາວິທີການພື້ນເມືອງໂດຍອີງໃສ່ການວິເຄາະສະຖິຕິຂອງມະນຸດ. ຖ້າ cosmologists ຕ້ອງການບັນລຸອັດຕາຄວາມຖືກຕ້ອງດຽວກັນໂດຍບໍ່ຕ້ອງໃຊ້ສູດການຄິດໄລ່ເຫຼົ່ານີ້, ພວກເຂົາຈະຕ້ອງອຸທິດຢ່າງຫນ້ອຍສອງເທົ່າຂອງເວລາການສັງເກດການ. 

ຫຼັງຈາກວິທີການເຫຼົ່ານີ້ໄດ້ຖືກສ້າງຕັ້ງຂຶ້ນ, ວິທະຍາສາດຫຼັງຈາກນັ້ນໄດ້ນໍາໃຊ້ພວກມັນເພື່ອສ້າງແຜນທີ່ບັນຫາຊ້ໍາໂດຍອີງໃສ່ຊຸດຂໍ້ມູນ KiDS-450. 

"ນີ້ແມ່ນຄັ້ງທໍາອິດທີ່ເຄື່ອງມືການຮຽນຮູ້ເຄື່ອງຈັກດັ່ງກ່າວໄດ້ຖືກນໍາໃຊ້ໃນສະພາບການນີ້, ແລະພວກເຮົາພົບເຫັນວ່າເຄືອຂ່າຍ neural ທຽມເລິກຊ່ວຍໃຫ້ພວກເຮົາສາມາດສະກັດຂໍ້ມູນຈາກຂໍ້ມູນຫຼາຍກວ່າວິທີການທີ່ຜ່ານມາ. ພວກເຮົາເຊື່ອວ່າການນໍາໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກໃນ cosmology ຈະມີຄໍາຮ້ອງສະຫມັກໃນອະນາຄົດຈໍານວນຫຼາຍ, "Fluri ເວົ້າ. 

ດຽວນີ້ນັກວິທະຍາສາດຕ້ອງການໃຊ້ວິທີນີ້ໃນຊຸດຮູບພາບທີ່ໃຫຍ່ກວ່າເຊັ່ນ: ການສໍາຫຼວດພະລັງງານຊ້ໍາ, ແລະເຄືອຂ່າຍ neural ຈະເລີ່ມຮັບເອົາຂໍ້ມູນໃຫມ່ກ່ຽວກັບເລື່ອງຊ້ໍາ.