Vitenskapsmenn bruker modifiserte ansiktsgjenkjenningsteknikker for å oppdage mørk materie

Hvis det er en ting som den generelle offentligheten er kjent med når det gjelder bruk av kunstig intelligens, er det ansiktsgjenkjenning. Enten det er å åpne mobiltelefonen eller algoritmene Facebook (META ) bruker for å finne øyne eller andre deler av et ansikt i bilder, har ansiktsgjenkjenning blitt en standard.

Men nå begynner vitenskapsmenn som beskjeftiger seg med komplekse spørsmål som universets sammensetning å bruke en modifisert versjon av den “standard” ansiktsgjenkjenningen i et forsøk på å oppdage hvor mye mørk materie det er i universet og hvor den muligens er plassert.

Som Digital Trends og Futurity bemerker i sine rapporter om emnet, “fysikere tror at å forstå denne mystiske substansen er nødvendig for å forklare grunnleggende spørsmål om universets underliggende struktur.”

Det er forskerne samlet i Alexandre Refregiers gruppe ved Instituttet for partikkelfysikk og astrofysikk ved ETH Zurich, Sveits, som har begynt å bruke dype neurale nettverksmetoder som ligger bak ansiktsgjenkjenning til å utvikle nye, spesialiserte verktøy for å forsøke å oppdage hva som fortsatt er en hemmelighet for oss i universet.

Som Janis Fluri, en av forskerne som arbeider på prosjektet, fortalte Digital Trends, “Algoritmen vi [bruker] er svært lik den som vanligvis brukes i ansiktsgjenkjenning,” og la til at “skjønnheten ved A.I. er at den kan lære fra nesten alle data. I ansiktsgjenkjenning lærer den å gjenkjenne øyne, munn og nese, mens vi søker etter strukturer som gir oss hint om mørk materie. Denne mønstergjenkjenningen er essensen av algoritmen. Til slutt justerte vi den bare for å slutte oss til de underliggende kosmologiske parameterne.”

Som forklart, hypotetiserer forskerne at mørk materie utgjør omtrent 27% av universet, og overveier synlig materie med en ratio på omtrent seks til en. Teorien går også ut på at mørk materie gir galaksene “den ekstra massen de trenger for ikke å river seg selv i stykker som en suicidal papirpose. Det er det som driver normal materie i form av støv og gass til å samle seg og danne stjerner og galakser.”

Hva forskerne søker etter, er områdene rundt galaksekluster som ser ut til å være forvrengt. Ved å bruke omvendt ingeniørkunst “kan de deretter isolere hvor de tror de tetteste konsentrasjonene av materie, både synlig og usynlig, kan finnes.”

Fluri og Tomasz Kacprzak, en annen forsker i gruppen, forklarte at de trente deres neurale nettverk ved å mate det med datagenerert data som simulerer universet. Deres gjentatte analyse av mørk materie-kartene ga dem muligheten til å trekke ut “kosmologiske parametre” fra de virkelige bildene av himmelen.

Resultatene de oppnådde ved å sammenligne dem med standardmetodene som brukes i denne prosessen, viste en 30% forbedring, basert på menneskeskapt statistisk analyse. Som Fluri forklarte, “A.I.-algoritmen trenger mye data for å lære i treningsfasen. Det er veldig viktig at denne treningsdataen, i vårt tilfelle simulasjoner, er så nøyaktig som mulig. Ellers vil den lære trekk som ikke er til stede i virkelige data.”

Etter å ha trent nettverket, matet de det med faktiske mørk materie-kart som ble hentet fra KiDS-450 dataset, som ble laget ved hjelp av VLT Survey Telescope (VST) i Chile. Dette datasettet dekker et totalt område på omtrent 2 200 ganger størrelsen på fullmånen og inneholder rekorder om omtrent 15 millioner galakser.

Som Futurity forklarer, ved å gjentatte ganger analysere mørk materie-kartene, lærte det neurale nettverket seg å søke etter riktige typer trekk i dem og å trekke ut mer og mer av den ønskede informasjonen.“I Facebook-analogien, ble det bedre til å skille mellom tilfeldige ovale former og øyne eller munn.”