Forskere bruker kunstig intelligens for å estimere mørk materie i universet

Forskere fra fysikkavdelingen og datavitenskapsavdelingen ved ETH Zurich bruker kunstig intelligens for å lære mer om vårt univers. De bidrar til metodene som brukes for å estimere mengden mørk materie som er til stede. Forskergruppen utviklet maskinlæringsalgoritmer som ligner på de som brukes av Facebook (META ) og andre sosiale medier for ansiktsgjenkjenning. Disse algoritmene hjelper med å analysere kosmologiske data. Den nye forskningen og resultater ble publisert i det vitenskapelige tidsskriftet Physical Review D.

Tomasz Kacprzak, en forsker fra Institute of Particle Physics and Astrophysics, forklarte sammenhengen mellom ansiktsgjenkjenning og estimering av mørk materie i universet.

“Facebook bruker sine algoritmer for å finne øyne, munn eller ører i bilder; vi bruker våre for å se etter tegn på mørk materie og mørk energi,” forklarte han.

Mørk materie kan ikke sees direkte med teleskopbilder, men den bøyer lysstrålene som kommer til jorden fra andre galakser. Dette kalles svak gravitasjonslinseffekt, og det forvrenger bildene av disse galaksene.

Forvrengningen som skjer, brukes deretter av forskerne. De bygger kart basert på masse i himmelen, og de viser hvor mørk materie er. Forskerne tar deretter teoretiske forutsigelser om plasseringen av mørk materie og sammenligner dem med kartene, og de ser etter de som matcher dataene best.

Den beskrevne metoden med kart er tradisjonelt gjort ved å bruke statistikk designet av mennesker, som hjelper med å forklare hvordan deler av kartene henger sammen. Problemet som oppstår med denne metoden er at den ikke er særlig egnet for å oppdage de komplekse mønsterene som er til stede i slike kart.

“I vår nylige arbeid har vi brukt en helt ny metode… I stedet for å finne opp den passende statistiske analysen vår selv, lar vi datamaskinene gjøre jobben,” sa Alexandre Refregier.

Aurelien Lucchi og hans team fra Data Analytics Lab ved datavitenskapsavdelingen, sammen med Janis Fluri, en ph.d.-student fra Refregiers gruppe og hovedforfatter av studien, arbeidet sammen med maskinlæringsalgoritmer. De brukte dem for å etablere dypt kunstig neuralt nettverk som kan lære å trekke ut så mye informasjon som mulig fra kartene over mørk materie.

Forskergruppen ga først neuralt nettverk datagenerert data som simulerte universet. Neuralt nettverk lærte seg til slutt hvilke trekk å se etter og å trekke ut store mengder informasjon.

Disse neurale nettverkene overgikk menneskeskapt analyse. Totalt var de 30% mer nøyaktige enn de tradisjonelle metodene basert på menneskeskapt statistisk analyse. Hvis kosmologer ønsket å oppnå samme nøyaktighetsrate uten å bruke disse algoritmene, ville de måtte bruke minst dobbelt så mye observasjonstid.

Etter at disse metodene var etablert, brukte forskerne dem for å lage kart over mørk materie basert på KiDS-450-datasettet.

“Dette er første gang slike maskinlæringsverktøy er brukt i denne sammenhengen, og vi fant at det dypt kunstige neurale nettverket muliggjør å trekke ut mer informasjon fra dataene enn tidligere metoder. Vi tror at denne bruken av maskinlæring i kosmologi vil ha mange fremtidige anvendelser,” sa Fluri.

Forskerne ønsker nå å bruke denne metoden på større bildesett, som Dark Energy Survey, og neuralt nettverk vil begynne å ta imot ny informasjon om mørk materie.