Forskare använder artificiell intelligens för att uppskatta mörk materia i universum

Forskare från institutionen för fysik och institutionen för datavetenskap vid ETH Zürich använder artificiell intelligens för att lära sig mer om vårt universum. De bidrar till metoderna som används för att uppskatta mängden mörk materia som finns. Forskargruppen har utvecklat maskinläringsalgoritmer som liknar de som används av Facebook (META ) och andra sociala mediebolag för ansiktsigenkänning. Dessa algoritmer hjälper till att analysera kosmologiska data. Den nya forskningen och resultaten publicerades i den vetenskapliga tidskriften Physical Review D.

Tomasz Kacprzak, en forskare från Institutet för partikelfysik och astrofysik, förklarade sambandet mellan ansiktsigenkänning och uppskattning av mörk materia i universum.

“Facebook använder sina algoritmer för att hitta ögon, munnar eller öron i bilder; vi använder våra för att leta efter tecken på mörk materia och mörk energi”, förklarade han.

Mörk materia kan inte ses direkt med teleskopbilder, men den böjer banan för ljusstrålar som kommer till jorden från andra galaxer. Detta kallas svag gravitationslinsning och det förvränger bilderna av dessa galaxer.

Förvrängningen som sker används sedan av forskarna. De bygger kartor baserade på massan av himlen och de visar var mörk materia finns. Forskarna tar sedan teoretiska förutsägelser om mörk materias läge och jämför dem med de byggda kartorna och letar efter de som mest matchar data.

Den beskrivna metoden med kartor görs traditionellt genom att använda mänskligt utformade statistik, som hjälper till att förklara hur delar av kartorna hänger samman. Problemet med denna metod är att den inte är väl lämpad för att upptäcka de komplexa mönster som finns i sådana kartor.

“I vårt senaste arbete har vi använt en helt ny metodologi… Istället för att uppfinna lämplig statistisk analys själva, låter vi datorerna göra jobbet”, sa Alexandre Refregier.

Aurelien Lucchi och hans team från Data Analytics Lab vid institutionen för datavetenskap, tillsammans med Janis Fluri, en doktorand från Refregiers grupp och huvudförfattare till studien, arbetade tillsammans med maskinläringsalgoritmer. De använde dem för att etablera djupa artificiella neurala nätverk som kan lära sig att extrahera så mycket information som möjligt från mörk materiekartorna.

Forskargruppen gav först neurala nätverket datorgenererade data som simulerade universum. Det neurala nätverket lärde sig till slut vilka funktioner som skulle letas efter och extrahera stora mängder information.

Dessa neurala nätverk presterade bättre än den mänskligt gjorda analysen. Totalt var de 30% mer exakta än de traditionella metoderna baserade på mänsklig statistisk analys. Om kosmologer ville uppnå samma noggrannhetsgrad utan att använda dessa algoritmer, skulle de behöva dedikera minst dubbelt så mycket observationstid.

Efter att dessa metoder hade etablerats, använde forskarna dem sedan för att skapa mörk materiekartor baserade på KiDS-450-datasetet.

“Detta är första gången som sådana maskinlärningsverktyg har använts i detta sammanhang, och vi fann att det djupa artificiella neurala nätverket möjliggör att extrahera mer information från data än tidigare metoder. Vi tror att denna användning av maskinlärning i kosmologi kommer att ha många framtida tillämpningar”, sa Fluri.

Forskarna vill nu använda denna metod på större bildsättsamlingar, såsom Dark Energy Survey, och de neurala nätverken kommer att börja ta emot ny information om mörk materia.