Wetenschappers gebruiken kunstmatige intelligentie om donkere materie in het universum te schatten

Wetenschappers van de afdeling Natuurkunde en de afdeling Informatica van de ETH Zurich gebruiken kunstmatige intelligentie om meer te leren over ons universum. Ze dragen bij aan de methoden die worden gebruikt om de hoeveelheid donkere materie te schatten die aanwezig is. De groep van wetenschappers ontwikkelde machine learning-algoritmen die vergelijkbaar zijn met die welke door Facebook (META ) en andere sociale media-bedrijven worden gebruikt voor gezichtsherkenning. Deze algoritmen helpen bij het analyseren van cosmologische gegevens. De nieuwe onderzoeksresultaten en resultaten werden gepubliceerd in het wetenschappelijke tijdschrift Physical Review D.

Tomasz Kacprzak, een onderzoeker van het Instituut voor Deeltjesfysica en Astrofysica, legde de link uit tussen gezichtsherkenning en het schatten van donkere materie in het universum.

“Facebook gebruikt zijn algoritmen om ogen, monden of oren in afbeeldingen te vinden; wij gebruiken de onze om naar de kenmerkende tekenen van donkere materie en donkere energie te zoeken,” legde hij uit.

Donkere materie kan niet direct worden waargenomen met telescopen, maar het buigt het pad van lichtstralen die van andere melkwegen naar de aarde komen. Dit wordt zwakke zwaartekrachtlenswerking genoemd en het verstoort de afbeeldingen van die melkwegen.

De verandering die optreedt, wordt vervolgens door wetenschappers gebruikt. Ze bouwen kaarten op basis van de massa van de hemel en ze laten zien waar donkere materie zich bevindt. De wetenschappers nemen vervolgens theoretische voorspellingen van de locatie van donkere materie en vergelijken ze met de opgebouwde kaarten, en ze zoeken naar degenen die het meest overeenkomen met de gegevens.

De beschreven methode met kaarten wordt traditioneel uitgevoerd met behulp van door de mens ontworpen statistieken, die helpen bij het verklaren van hoe delen van de kaarten met elkaar in verband staan. Het probleem dat optreedt bij deze methode is dat het niet goed geschikt is voor het detecteren van de complexe patronen die in dergelijke kaarten aanwezig zijn.

“In ons recente werk hebben we een compleet nieuwe methodologie gebruikt…In plaats van zelf de juiste statistische analyse uit te vinden, laten we computers het werk doen,” zei Alexandre Refregier.

Aurelien Lucchi en zijn team van de Data Analytics Lab van de afdeling Informatica, samen met Janis Fluri, een PhD-student van Refregier’s groep en de eerste auteur van de studie, werkten samen met machine learning-algoritmen. Ze gebruikten ze om diepe kunstmatige neurale netwerken op te zetten die in staat zijn om te leren zoveel mogelijk informatie uit de donkere materie-kaarten te halen.

De groep van wetenschappers gaf de neurale netwerkcomputer eerst gegenereerde gegevens die het universum simuleerden. Het neurale netwerk leerde uiteindelijk zelf welke kenmerken het moest zoeken en grote hoeveelheden informatie moest extraheren.

Deze neurale netwerken presteerden beter dan de door de mens gemaakte analyse. In totaal waren ze 30% nauwkeuriger dan de traditionele methoden op basis van door de mens gemaakte statistische analyse. Als cosmologen dezelfde nauwkeurigheid wilden bereiken zonder deze algoritmen te gebruiken, zouden ze minstens tweemaal zoveel observatietijd moeten besteden.

Nadat deze methoden waren vastgesteld, gebruikten de wetenschappers ze vervolgens om donkere materie-kaarten te maken op basis van de KiDS-450-dataset.

“Dit is de eerste keer dat dergelijke machine learning-tools in deze context worden gebruikt, en we hebben ontdekt dat het diepe kunstmatige neurale netwerk ons in staat stelt om meer informatie uit de gegevens te halen dan eerdere benaderingen. We geloven dat het gebruik van machine learning in de cosmologie veel toekomstige toepassingen zal hebben,” zei Fluri.

De wetenschappers willen nu deze methode gebruiken op grotere beeldsets, zoals de Dark Energy Survey, en de neurale netwerken zullen nieuwe informatie over donkere materie beginnen te verzamelen.