Naukowcy wykorzystują sztuczną inteligencję do oszacowania ciemnej materii we Wszechświecie

Naukowcy z Wydziału Fizyki i Wydziału Informatyki na ETH Zurich wykorzystują sztuczną inteligencję, aby dowiedzieć się więcej o naszym wszechświecie. Przyczyniają się do metod używanych w celu oszacowania ilości ciemnej materii obecnej. Grupa naukowców opracowała algorytmy uczenia maszynowego, które są podobne do tych używanych przez Facebooka i inne firmy mediów społecznościowych do rozpoznawania twarzy. Te algorytmy pomagają analizować dane kosmologiczne. Nowe badania i wyniki zostały opublikowane w naukowym czasopiśmie Physical Review D.

Tomasz Kacprzak, badacz z Instytutu Fizyki Cząstek i Astrofizyki, wyjaśnił związek między rozpoznawaniem twarzy a oszacowaniem ciemnej materii we wszechświecie.

“Facebook (META ) używa swoich algorytmów, aby znaleźć oczy, usta lub uszy na zdjęciach; my używamy swoich, aby znaleźć charakterystyczne znaki ciemnej materii i ciemnej energii”, wyjaśnił.

Ciemna materia nie może być bezpośrednio zaobserwowana przez obrazy teleskopowe, ale zakrzywia drogę promieni światła, które docierają na Ziemię z innych galaktyk. Nazywa się to słabym soczewkowaniem grawitacyjnym i powoduje zniekształcenie obrazów tych galaktyk.

Zniekształcenie, które występuje, jest następnie używane przez naukowców. Budują mapy oparte na masie nieba i pokazują, gdzie znajduje się ciemna materia. Następnie naukowcy porównują teoretyczne przewidywania położenia ciemnej materii z zbudowanymi mapami i szukają tych, które najlepiej odpowiadają danym.

Opisana metoda z mapami jest tradycyjnie wykonywana przy użyciu statystyk zaprojektowanych przez ludzi, które pomagają wyjaśnić, jak poszczególne części map są ze sobą powiązane. Problem, który pojawia się z tą metodą, polega na tym, że nie jest dobrze przystosowana do wykrywania złożonych wzorców, które występują na takich mapach.

“W naszej ostatniej pracy wykorzystaliśmy całkowicie nową metodologię… Zamiast wymyślać odpowiednią analizę statystyczną sami, pozwoliliśmy komputerom wykonać tę pracę”, powiedział Alexandre Refregier.

Aurelien Lucchi i jego zespół z Laboratorium Analityki Danych na Wydziale Informatyki, wraz z Janisem Fluri, doktorantem z grupy Refregiera i głównym autorem badania, współpracowali przy użyciu algorytmów uczenia maszynowego. Użyli ich do ustanowienia głębokich sztucznych sieci neuronowych, które mogą się uczyć i wyodrębniać jak najwięcej informacji z map ciemnej materii.

Grupa naukowców najpierw dała sieci neuronowej komputerowo wygenerowane dane, które symulowały wszechświat. Sieć neuronowa ostatecznie nauczyła się, które cechy szukać i wyodrębnić duże ilości informacji.

Te sieci neuronowe przewyższyły analizę wykonaną przez ludzi. Łącznie były o 30% bardziej dokładne niż tradycyjne metody oparte na analizie statystycznej wykonanej przez ludzi. Jeśli kosmologowie chcieliby osiągnąć ten sam poziom dokładności bez użycia tych algorytmów, musieliby poświęcić co najmniej dwa razy więcej czasu obserwacji.

Po ustanowieniu tych metod naukowcy użyli ich do stworzenia map ciemnej materii na podstawie zestawu danych KiDS-450.

“To pierwszy raz, kiedy takie narzędzia uczenia maszynowego są używane w tym kontekście, i stwierdziliśmy, że głęboka sztuczna sieć neuronowa pozwala nam wyodrębnić więcej informacji z danych niż poprzednie podejścia. Uważamy, że to zastosowanie uczenia maszynowego w kosmologii będzie miało wiele przyszłych zastosowań”, powiedział Fluri.

Naukowcy teraz chcą wykorzystać tę metodę na większych zestawach obrazów, takich jak Badanie Ciemnej Energii, a sieci neuronowe zaczną przyjmować nowe informacje o ciemnej materii.