Các nhà khoa học sử dụng Trí tuệ nhân tạo để ước tính Vật chất tối trong Vũ trụ

Các nhà khoa học từ Bộ phận Vật lý và Bộ phận Khoa học Máy tính tại ETH Zurich đang sử dụng trí tuệ nhân tạo để tìm hiểu thêm về vũ trụ của chúng ta. Họ đang góp phần vào các phương pháp được sử dụng để ước tính lượng vật chất tối hiện diện. Nhóm các nhà khoa học đã phát triển các thuật toán học máy tương tự như những thuật toán được sử dụng bởi Facebook (META ) và các công ty truyền thông xã hội khác để nhận dạng khuôn mặt. Những thuật toán này giúp phân tích dữ liệu vũ trụ. Nghiên cứu và kết quả mới được công bố trên tạp chí khoa học Physical Review D.

Tomasz Kacprzak, một nhà nghiên cứu từ Institute of Particle Physics and Astrophysics, giải thích mối liên hệ giữa nhận dạng khuôn mặt và ước tính vật chất tối trong vũ trụ.

“Facebook sử dụng thuật toán của mình để tìm mắt, miệng hoặc tai trong hình ảnh; chúng tôi sử dụng thuật toán của mình để tìm kiếm các dấu hiệu đặc trưng của vật chất tối và năng lượng tối,” anh giải thích.

Vật chất tối không thể được nhìn thấy trực tiếp bằng hình ảnh từ kính thiên văn, nhưng nó làm cong đường đi của tia sáng đến từ các thiên hà khác. Đây được gọi là hiệu ứng thấu kính hấp dẫn yếu, và nó làm biến dạng hình ảnh của các thiên hà đó.

Biến dạng xảy ra sau đó được các nhà khoa học sử dụng. Họ xây dựng bản đồ dựa trên khối lượng của bầu trời, và họ chỉ ra nơi vật chất tối nằm. Các nhà khoa học sau đó lấy dự đoán lý thuyết về vị trí của vật chất tối và so sánh chúng với bản đồ được xây dựng, và họ tìm kiếm những bản đồ phù hợp nhất với dữ liệu.

Phương pháp được mô tả với bản đồ truyền thống được thực hiện bằng cách sử dụng thống kê do con người thiết kế, giúp giải thích cách các phần của bản đồ liên quan đến nhau. Vấn đề phát sinh với phương pháp này là nó không phù hợp để phát hiện các mẫu phức tạp có trong bản đồ như vậy.

“Trong công việc gần đây của chúng tôi, chúng tôi đã sử dụng một phương pháp hoàn toàn mới… Thay vì tự tạo ra phân tích thống kê phù hợp, chúng tôi để máy tính thực hiện công việc,” Alexandre Refregier nói.

Aurelien Lucchi và nhóm của ông từ Phòng thí nghiệm Phân tích Dữ liệu tại Bộ phận Khoa học Máy tính, cùng với Janis Fluri, một sinh viên tiến sĩ từ nhóm của Refregier và là tác giả chính của nghiên cứu, đã làm việc cùng nhau sử dụng các thuật toán học máy. Họ sử dụng chúng để thiết lập mạng nơ-ron sâu nhân tạo có khả năng học cách trích xuất càng nhiều thông tin từ bản đồ vật chất tối càng tốt.

Nhóm các nhà khoa học đầu tiên đã cung cấp cho mạng nơ-ron máy tính dữ liệu được tạo bởi máy tính mô phỏng vũ trụ. Mạng nơ-ron cuối cùng đã tự dạy mình những tính năng cần tìm kiếm và trích xuất lượng lớn thông tin.

Những mạng nơ-ron này đã vượt qua phân tích do con người tạo ra. Tổng thể, chúng chính xác hơn 30% so với các phương pháp truyền thống dựa trên phân tích thống kê do con người tạo ra. Nếu các nhà vũ trụ học muốn đạt được tỷ lệ chính xác tương tự mà không sử dụng các thuật toán này, họ sẽ phải dành ít nhất gấp đôi thời gian quan sát.

Sau khi các phương pháp này được thiết lập, các nhà khoa học sau đó đã sử dụng chúng để tạo bản đồ vật chất tối dựa trên tập dữ liệu KiDS-450.

“Đây là lần đầu tiên các công cụ học máy như vậy được sử dụng trong bối cảnh này, và chúng tôi phát hiện ra rằng mạng nơ-ron sâu cho phép chúng tôi trích xuất nhiều thông tin hơn từ dữ liệu so với các phương pháp trước đây. Chúng tôi tin rằng việc sử dụng học máy trong vũ trụ học này sẽ có nhiều ứng dụng trong tương lai,” Fluri nói.

Các nhà khoa học hiện muốn sử dụng phương pháp này trên các tập dữ liệu hình ảnh lớn hơn như Khảo sát Năng lượng Tối, và mạng nơ-ron sẽ bắt đầu thu thập thông tin mới về vật chất tối.