Naukowcy wykorzystują zmodyfikowane techniki rozpoznawania twarzy, aby odkryć ciemną materię

Jeśli istnieje coś, z czym ogół społeczeństwa jest zaznajomiony w przypadku wykorzystania sztucznej inteligencji, to jest to rozpoznawanie twarzy. Niezależnie od tego, czy jest to otwieranie telefonu komórkowego, czy algorytmy Facebooka, które znajdują oczy lub inne części twarzy na zdjęciach, rozpoznawanie twarzy stało się standardem. (META )

Ale teraz naukowcy zajmujący się złożonymi pytaniami, takimi jak skład wszechświata, zaczynają wykorzystywać zmodyfikowaną wersję “standardowego” rozpoznawania twarzy w celu odkrycia, ile ciemnej materii istnieje we wszechświecie i gdzie może się znajdować.

Jak zauważają Digital Trends i Futurity w swoich raportach na ten temat, „fizycy wierzą, że zrozumienie tej tajemniczej substancji jest konieczne do wyjaśnienia podstawowych pytań dotyczących podstawowej struktury wszechświata.”

To badacze zebrani w grupie Alexandre’a Refregiera w Instytucie Fizyki Cząstek i Astrofizyki na ETH w Zurychu, Szwajcaria, którzy zaczęli wykorzystywać metody głębokich sieci neuronowych, które leżą u podstaw rozpoznawania twarzy, aby opracować nowe, specjalne narzędzia, które mają pomóc w odkryciu tego, co nadal jest tajemnicą wszechświata dla nas.

Jak powiedział Janis Fluri, jeden z badaczy pracujących nad projektem, w rozmowie z Digital Trends, „Algorytm, który używamy, jest bardzo podobny do tego, który jest powszechnie używany w rozpoznawaniu twarzy”, dodając, że „piękno sztucznej inteligencji polega na tym, że może się uczyć z praktycznie każdych danych. W rozpoznawaniu twarzy uczy się rozpoznawać oczy, usta i nosy, podczas gdy my szukamy struktur, które dają nam wskazówki o ciemnej materii. To rozpoznawanie wzorców jest podstawą algorytmu. Ostatecznie tylko dostosowaliśmy go do wnioskowania o podstawowych parametrach kosmologicznych.”

Jak wyjaśniono, naukowcy hipotezują, że ciemna materia stanowi około 27% wszechświata, przewyższając widoczną materię w stosunku sześciu do jednego. Teoria głosi również, że ciemna materia daje galaktykom “dodatkową masę, której potrzebują, aby nie rozpadły się jak samobójczy papierowy worek. To ona napędza normalną materię w postaci pyłu i gazu do zbierania i łączenia się w gwiazdy i galaktyki.”

To, czego szukają badacze, to obszary wokół gromad galaktyk, które wydają się zniekształcone. Wykorzystując odwrotną inżynierię, „mogą izolować miejsca, w których wierzą, że znajdują się najgęstsze koncentracje materii, zarówno widocznej, jak i niewidocznej.”

Fluri i Tomasz Kacprzak, inny badacz w grupie, wyjaśnili, że wyszkolili swoją sieć neuronową, karmiąc ją danymi komputerowymi, które symulują wszechświat. Ich wielokrotne analizy map ciemnej materii dały im możliwość wyodrębnienia “parametrów kosmologicznych” z prawdziwych obrazów nieba.

Wyniki, które uzyskali, porównując je ze standardowymi metodami stosowanymi w tym procesie, wykazały 30% poprawę, w oparciu o analizę statystyczną wykonaną przez ludzi. Jak wyjaśnił Fluri, “algorytm sztucznej inteligencji potrzebuje dużej ilości danych, aby się uczyć w fazie szkolenia. Bardzo ważne jest, aby te dane szkoleniowe, w naszym przypadku symulacje, były jak najbardziej dokładne. W przeciwnym razie, nauczy się cech, które nie są obecne w danych rzeczywistych.”

Po wyszkoleniu sieci neuronowej, podali jej rzeczywiste mapy ciemnej materii uzyskane z KiDS-450 dataset, wykonane przy użyciu Teleskopu VLT Survey (VST) w Chile. Ten zestaw danych obejmuje łączną powierzchnię około 2 200 razy większą niż pełny księżyc i zawiera rekordy około 15 milionów galaktyk.

Jak wyjaśnia Futurity, poprzez wielokrotne analizy map ciemnej materii, sieć neuronowa nauczyła się szukać odpowiednich cech w nich i wyodrębnić coraz więcej pożądanych informacji. „W analogii do Facebooka, stała się lepsza w rozróżnianiu losowych owalnych kształtów od oczu lub ust.”