Kunstig intelligens undersøger mørkt stof i universet

Et team af fysikere og computerforskere ved ETH Zürich har udviklet en ny tilgang til problemet med mørkt stof og mørk energi i universet. Ved hjælp af maskinlæringsværktøjer, de programmerede computere til at lære sig selv at udtrække den relevante information fra kort over universet.

At forstå, hvordan vores univers blev til det, det er i dag, og hvad det bliver dets endelige skæbne, er en af ​​de største udfordringer inden for videnskaben. Den ærefrygtindgydende visning af utallige stjerner på en klar nat giver os en ide om problemets omfang, og alligevel er det kun en del af historien. Den dybere gåde ligger i det, vi ikke kan se, i hvert fald ikke direkte:mørkt stof og mørk energi. Med mørkt stof der trækker universet sammen og mørk energi får det til at ekspandere hurtigere, kosmologer har brug for at vide præcis, hvor meget af de to derude for at forfine deres modeller.

På ETH Zürich, forskere fra Institut for Fysik og Institut for Datalogi er nu gået sammen om at forbedre standardmetoder til estimering af universets mørke stofindhold ved hjælp af kunstig intelligens. De brugte banebrydende maskinlæringsalgoritmer til kosmologiske dataanalyser, der har meget tilfælles med dem, der bruges til ansigtsgenkendelse fra Facebook og andre sociale medier. Deres resultater er for nylig blevet offentliggjort i det videnskabelige tidsskrift Fysisk gennemgang D .

Ansigtsgenkendelse for kosmologi

Selvom der ikke er nogen ansigter at genkende på billeder taget af nattehimlen, kosmologer leder stadig efter noget lignende, som Tomasz Kacprzak, en forsker i gruppen af ​​Alexandre Refregier ved Institute of Particle Physics and Astrophysics, forklarer:"Facebook bruger sine algoritmer til at finde øjne, mund eller ører i billeder; vi bruger vores til at lede efter fortælletegnene på mørkt stof og mørk energi. "Da mørkt stof ikke kan ses direkte i teleskopbilleder, fysikere stoler på det faktum, at alt stof - inklusive den mørke sort - en smule bøjer stien til lysstråler, der ankommer til Jorden fra fjerne galakser. Denne effekt, kendt som "svag gravitationslinse, "forvrænger billederne af disse galakser meget subtilt, Ligesom fjerntliggende objekter ser sløret ud på en varm dag, når lyset passerer gennem luftlag ved forskellige temperaturer.

Kosmologer kan bruge denne forvrængning til at arbejde baglæns og oprette massekort over himlen, der viser, hvor mørkt stof er placeret. Næste, de sammenligner disse kort med mørkt stof med teoretiske forudsigelser for at finde ud af, hvilken kosmologisk model der bedst matcher dataene. Traditionelt set dette gøres ved hjælp af menneskeskabt statistik såsom såkaldte korrelationsfunktioner, der beskriver, hvordan forskellige dele af kortene er relateret til hinanden. Sådan statistik, imidlertid, er begrænset til, hvor godt de kan finde komplekse mønstre i stofkortene.

Neurale netværk lærer sig selv

"I vores seneste arbejde, vi har brugt en helt ny metode, "siger Alexandre Refregier." I stedet for selv at opfinde den passende statistiske analyse, vi lader computere gøre jobbet. "Det er her Aurelien Lucchi og hans kolleger fra Data Analytics Lab på Institut for Datalogi kommer ind. Sammen med Janis Fluri, en ph.d. studerende i Refregiers gruppe og hovedforfatter af undersøgelsen, de brugte maskinlæringsalgoritmer kaldet dybe kunstige neurale netværk og lærte dem at udtrække den størst mulige mængde information fra kortene i mørkt stof.

I et første trin, forskerne uddannede de neurale netværk ved at fodre dem med computergenererede data, der simulerer universet. Den vej, de vidste, hvad det korrekte svar var for en given kosmologisk parameter - f.eks. forholdet mellem den samlede mængde mørkt stof og mørk energi - bør være for hvert simuleret kort over mørkt stof. Ved gentagne gange at analysere kortene over det mørke stof, det neurale netværk lærte sig selv at lede efter den rigtige slags funktioner i dem og udtrække mere og mere af den ønskede information. I Facebook -analogien, det blev bedre til at skelne tilfældige ovale former fra øjne eller mund.

Mere præcis end menneskeskabt analyse

Resultaterne af denne uddannelse var opmuntrende:de neurale netværk kom med værdier, der var 30% mere nøjagtige end dem, der blev opnået ved traditionelle metoder baseret på menneskeskabt statistisk analyse. For kosmologer, det er en enorm forbedring, da det ville kræve dobbelt så meget observationstid - hvilket er dyrt at nå den samme nøjagtighed ved at øge antallet af teleskopbilleder.

Endelig, forskerne brugte deres fuldt uddannede neurale netværk til at analysere faktiske kort over mørkt stof fra KiDS-450 datasættet. "Det er første gang, at sådanne maskinlæringsværktøjer er blevet brugt i denne sammenhæng, "siger Fluri, "og vi fandt ud af, at det dybe kunstige neurale netværk gør det muligt for os at udtrække flere oplysninger fra dataene end tidligere tilgange. Vi mener, at denne brug af maskinlæring i kosmologi vil have mange fremtidige anvendelser."

Som et næste trin, han og hans kolleger planlægger at anvende deres metode på større billedsæt som f.eks. Dark Energy Survey. Også, flere kosmologiske parametre og forbedringer såsom detaljer om arten af ​​mørk energi vil blive ført til de neurale netværk.