科学家使用修改的面部识别技术来发现暗物质

如果有一样东西是普通公众对人工智能的使用比较熟悉的话，那就是面部识别。无论是打开他们的移动电话还是Facebook使用的算法来找到图像中的眼睛或其他面部特征，面部识别已经成为一种标准。 (META )

但是，现在处理像宇宙组成这样的复杂问题的科学家开始使用一种修改过的“标准”面部识别技术，尝试发现宇宙中有多少暗物质以及它可能位于哪里。

正如 Digital Trends 和 Futurity在他们的报告中提到的，“物理学家认为，理解这种神秘物质对于解释宇宙的基本结构是必要的。”

在瑞士苏黎世联邦理工大学的粒子物理和天体物理研究所，Alexandre Refregier的小组已经开始使用深度神经网络方法，这些方法是面部识别背后的技术，来开发新的特殊工具，尝试发现宇宙中仍然是一个秘密的东西。

正如Janis Fluri，一位参与该项目的研究人员告诉Digital Trends，“我们使用的算法与常用于面部识别的算法非常相似，”并补充说“人工智能的美妙之处在于它可以从任何数据中学习。在面部识别中，它学习识别眼睛、嘴巴和鼻子，而我们正在寻找能够给我们暗物质线索的结构。这种模式识别本质上是算法的核心。最终，我们只需将其改编以推断潜在的宇宙参数。”

如所解释的，科学家假设暗物质占据了宇宙的约27%，以大约六比一的比例超过了可见物质。该理论还指出，暗物质给予星系“额外的质量，使它们不会像自杀的纸袋一样撕裂自己。它是驱动正常物质以尘埃和气体的形式收集和组装成星系的东西。”

研究人员正在寻找的是星系团周围的区域，这些区域看起来是弯曲的。通过反向工程“他们可以隔离出他们相信最密集的物质，包括可见和不可见物质，可以在哪里找到。”

Fluri和Tomasz Kacprzak，另一个小组成员解释说，他们训练了神经网络，使用计算机生成的数据来模拟宇宙。他们对暗物质地图的重复分析使他们能够从天空的真实图像中提取“宇宙参数”。

他们通过比较这些结果与使用的人工统计分析方法，取得了30%的改进。正如Fluri解释的，“人工智能算法需要大量数据来学习训练阶段。确保训练数据在我们的例子中是模拟的尽可能准确是非常重要的。否则，它将学习在真实数据中不存在的特征。”

在训练网络后，他们输入了从KiDS-450数据集获得的实际暗物质地图，该数据集使用位于智利的VLT调查望远镜（VST）创建。该数据集涵盖了大约2,200个满月大小的区域，包含大约1,500万个星系的记录。

正如Futurity解释的，通过反复分析暗物质地图，神经网络教会了自己在这些地图中寻找正确的特征，并提取出越来越多的期望信息。“在Facebook的类比中，它变得更擅长于区分随机的椭圆形状和眼睛或嘴巴。”