Forskare använder modifierade ansiktsigenkänningstekniker för att upptäcka mörk materia

Om det finns en sak som allmänheten är bekant med när det gäller användningen av artificiell intelligens, så är det ansiktsigenkänning. Oavsett om det är att öppna sin mobiltelefon eller de algoritmer som Facebook (META ) använder för att hitta ögon eller andra delar av ett ansikte i bilder, har ansiktsigenkänning blivit en standard.

Men nu börjar forskare som sysslar med komplexa frågor som universums sammansättning att använda en modifierad version av den “standard”-ansiktsigenkänning i ett försök att upptäcka hur mycket mörk materia som finns i universum och var den möjligtvis kan befinna sig.

Som Digital Trends och Futurity noterar i sina rapporter om ämnet, “fysiker tror att förståelse av denna mystiska substans är nödvändig för att förklara grundläggande frågor om universums underliggande struktur.”

Det är forskarna i Alexandre Refregiers grupp vid Institutet för partikelfysik och astrofysik vid ETH Zürich, Schweiz, som har börjat använda djupa neurala nätverksmetoder som ligger bakom ansiktsigenkänning för att utveckla nya, specialiserade verktyg i ett försök att upptäcka vad som fortfarande är en hemlighet för oss i universum.

Som Janis Fluri, en av forskarna som arbetar med projektet, berättade för Digital Trends, “Algoritmen vi använder är mycket lik den som vanligtvis används i ansiktsigenkänning,” och tillade att “skönheten i AI är att den kan lära sig av i princip vilka data som helst. I ansiktsigenkänning lär den sig att känna igen ögon, munnar och näsor, medan vi letar efter strukturer som ger oss ledtrådar om mörk materia. Denna mönsterigenkänning är i princip kärnan i algoritmen. Till slut anpassade vi den bara för att härleda de underliggande kosmologiska parametrarna.”

Som förklaras, hypoteserar forskarna att mörk materia står för cirka 27% av universum, och överväger synlig materia med en ratio på ungefär sex till ett. Teorin går också ut på att mörk materia ger galaxerna “den extra massa de behöver för att inte slitas isär som en självmordsbenägen papperspåse. Det är vad som driver normal materia i form av damm och gas att samla och samlas till stjärnor och galaxer.”

Vad forskarna letar efter är områdena runt galaxkluster som verkar förvrängda. Genom att använda omvänd ingenjörskonst “kan de sedan isolera var de tror att de tätaste koncentrationerna av materia, både synlig och osynlig, kan hittas.”

Fluri och Tomasz Kacprzak, en annan forskare i gruppen, förklarade att de tränade sitt neurala nätverk genom att mata det med datorgenererade data som faktiskt simulerar universum. Deras upprepade analys av mörk materia-kartor gav dem möjligheten att extrahera ‘kosmologiska parametrar’ från de riktiga bilderna av himlen.

Resultaten de uppnådde genom att jämföra dem med standardmetoder som används i denna process visade en 30% förbättring, baserat på mänsklig statistisk analys. Som Fluri förklarade, “AI-algoritmen behöver mycket data för att lära sig under träningsfasen. Det är mycket viktigt att denna träningsdata, i vårt fall simuleringar, är så exakta som möjligt. Annars kommer den att lära sig funktioner som inte finns i riktiga data.”

Efter att ha tränat nätverket matade de det med faktiska mörk materia-kartor som erhållits från KiDS-450 dataset, som skapats med hjälp av VLT Survey Telescope (VST) i Chile. Detta dataset täcker en total yta på cirka 2 200 gånger fullmånens storlek och innehåller register över cirka 15 miljoner galaxer.

Som Futurity förklarar, genom att upprepade gånger analysera mörk materia-kartorna, lärde sig det neurala nätverket att leta efter rätt sorts funktioner i dem och att extrahera alltmer av den önskade informationen. “I Facebook-analogin blev den bättre på att skilja på slumpmässiga ovala former från ögon eller munnar.”