科学家使用人工智能估计宇宙中的暗物质

苏黎世联邦理工大学物理系和计算机科学系的科学家正在使用人工智能来了解更多关于我们的宇宙。他们正在为估计宇宙中暗物质的数量所使用的方法做出贡献。科学家团队开发了类似于Facebook和其他社交媒体公司用于人脸识别的机器学习算法。这些算法有助于分析宇宙数据。新的研究和结果发表在科学期刊Physical Review D上。

来自粒子物理和天体物理研究所的研究员Tomasz Kacprzak解释了人脸识别和估计宇宙中暗物质之间的联系。

“Facebook使用其算法在图像中找到眼睛、嘴巴或耳朵；我们使用我们的算法来寻找暗物质和暗能量的特征性迹象，”他解释道。

暗物质不能直接通过望远镜图像看到，但它会弯曲来自其他星系的光线的路径，这些光线正朝向地球。这被称为弱引力透镜效应，它会扭曲那些星系的图像。

科学家们利用这种扭曲。他们根据天空的质量建立地图，并显示暗物质在哪里。科学家们然后将暗物质位置的理论预测与建立的地图进行比较，并寻找与数据最匹配的预测。

使用地图的方法传统上是使用人为设计的统计方法来完成的，这些方法有助于解释地图的各个部分之间的关系。这种方法存在的问题是，它不适合检测地图中存在的复杂模式。

“在我们的最近工作中，我们使用了一种完全新的方法……与其我们自己发明合适的统计分析，不如让计算机来完成这项工作，”Alexandre Refregier说。

来自计算机科学系数据分析实验室的Aurelien Lucchi和他的团队，以及Janis Fluri，Refregier团队的博士生和该研究的第一作者，一起使用机器学习算法。他们使用这些算法建立了深度人工神经网络，能够从暗物质地图中提取尽可能多的信息。

科学家团队首先给神经网络计算机生成的数据，这些数据模拟了宇宙。神经网络最终教会自己寻找和提取大量信息的特征。

这些神经网络的性能超过了人工制定的分析。总体而言，它们比传统的基于人工统计分析的方法准确率高30%。如果宇宙学家想要在不使用这些算法的情况下达到相同的准确率，他们将不得不花费至少两倍的观察时间。

建立了这些方法后，科学家们然后使用它们根据KiDS-450数据集创建暗物质地图。

“这是第一次在这种情况下使用机器学习工具，我们发现深度人工神经网络可以从数据中提取比以前的方法更多的信息。我们相信这种在宇宙学中的机器学习应用将会有许多未来的应用，”Fluri说。

科学家们现在想在更大的图像集上使用这种方法，例如暗能量调查，神经网络将开始获取有关暗物质的新信息。