Wetenschappers gebruiken gemodificeerde gezichtsherkenningstechnieken om donkere materie te ontdekken

Als er één ding is waar het grote publiek vertrouwd mee is als het gaat om het gebruik van kunstmatige intelligentie, dan is het wel gezichtsherkenning. Of het nu gaat om het ontgrendelen van hun mobiele telefoon of de algoritmes die Facebook (META ) gebruikt om ogen of andere delen van een gezicht in afbeeldingen te vinden, gezichtsherkenning is een standaard geworden.

Maar nu gebruiken wetenschappers die complexe vragen behandelen zoals de samenstelling van het universum, een gemodificeerde versie van de ‘standaard’ gezichtsherkenning in een poging om te ontdekken hoeveel donkere materie er in het universum is en waar het mogelijk is gelokaliseerd.

Zoals Digital Trends en Futurity in hun rapporten over het onderwerp opmerken, “geloven natuurkundigen dat het begrijpen van deze mysterieuze stof noodzakelijk is om fundamentele vragen over de onderliggende structuur van het universum te verklaren.”

Het zijn de onderzoekers die zijn verzameld in de groep van Alexandre Refregier aan het Institute of Particle Physics and Astrophysics van de ETH Zurich, Zwitserland, die zijn begonnen met het gebruik van diepe neurale netwerkmethoden die ten grondslag liggen aan gezichtsherkenning om nieuwe, speciale tools te ontwikkelen om te proberen te ontdekken wat nog steeds een geheim van het universum voor ons is.

Zoals Janis Fluri, een van de onderzoekers die aan het project werkt, tegen Digital Trends zei, “De algoritme die we gebruiken is heel dicht bij wat gewoonlijk wordt gebruikt in gezichtsherkenning,” en voegde eraan toe dat“de schoonheid van AI is dat het kan leren van vrijwel elke gegevens. In gezichtsherkenning leert het om ogen, monden en neuzen te herkennen, terwijl wij op zoek zijn naar structuren die ons hints geven over donkere materie. Deze patroonherkenning is essentieel de kern van de algoritme. Uiteindelijk hebben we het alleen aangepast om de onderliggende cosmologische parameters af te leiden.”

Zoals wordt uitgelegd, vermoeden de wetenschappers dat donkere materie ongeveer 27% van het universum uitmaakt, en zwaarder is dan zichtbare materie met een verhouding van ongeveer zes tot één. De theorie gaat ook dat donkere materie de extra massa geeft die sterrenstelsels nodig hebben om niet uit elkaar te vallen als een zelfmoordzuchtige papieren zak. Het is wat normale materie in de vorm van stof en gas aandrijft om te verzamelen en samen te komen in sterren en sterrenstelsels.”

Wat de onderzoekers zoeken zijn de gebieden rond de clusters van sterrenstelsels die vervormd lijken. Door middel van reverse-engineering “kunnen ze dan isoleren waar ze denken dat de dichtste concentraties van materie, zowel zichtbaar als onzichtbaar, kunnen worden gevonden.”

Fluri en Tomasz Kacprzak, een andere onderzoeker in de groep, legden uit dat ze hun neurale netwerk hebben getraind door het te voeden met computer gegenereerde gegevens die het universum simuleren. Hun herhaalde analyse van de donkere materiekaarten gaf hun de mogelijkheid om ‘cosmologische parameters’ uit de echte beelden van de hemel te extraheren.

De resultaten die ze behaalden door ze te vergelijken met standaardmethoden die in dit proces worden gebruikt, toonden een verbetering van 30% aan, gebaseerd op door de mens gemaakte statistische analyse. Zoals Fluri uitlegde, “het AI-algoritme heeft veel gegevens nodig om te leren in de trainingsfase. Het is heel belangrijk dat deze trainingsgegevens, in ons geval simulaties, zo nauwkeurig mogelijk zijn. Anders zal het functies leren die niet in echte gegevens aanwezig zijn.”

Nadat ze het netwerk hadden getraind, voerden ze het daadwerkelijke donkere materiekaarten in die waren verkregen uit KiDS-450 dataset, gemaakt met de VLT Survey Telescope (VST) in Chili. Deze dataset dekt een totale oppervlakte van ongeveer 2.200 keer de grootte van de volle maan en bevat records van ongeveer 15 miljoen sterrenstelsels.

Zoals Futurity uitlegt, door herhaaldelijk de donkere materiekaarten te analyseren, leerde het neurale netwerk zichzelf om naar het juiste type kenmerken in hen te zoeken en om steeds meer van de gewenste informatie te extraheren.“In de Facebook-analogie, werd het beter in het onderscheiden van willekeurige ovale vormen van ogen of monden.”