Искусственный интеллект зонды темной материи во Вселенной

Понимание того, как наша Вселенная вышла такой, какой она является сегодня и каким будет его окончательная судьба является одним из самых больших проблем в науке. Впечатляющие отображения бесчисленные звезды в ясную ночь дает нам некоторое представление о масштабах проблемы, но это только часть истории. Чем глубже загадка заключается в том, что мы не видим, по крайней мере, не напрямую: темная материя и темная энергия. С темной материей потянуть Вселенной и темной энергии, заставляя его расширяться быстрее, космологи должны точно знать, сколько из этих двух-то там для того, чтобы усовершенствовать свои модели.

В ETH в Цюрихе, ученые из кафедры физики и кафедры информатики сейчас объединили усилия по совершенствованию стандартных методов для оценки темного вещества Вселенной через искусственный интеллект. Они использовали передовые алгоритмы машинного обучения для анализа космологических данных, которые имеют много общего с теми, что используются для распознавания лиц на Facebook и других социальных медиа. Их результаты недавно были опубликованы в научном журнале «физическое обозрение» Д.

Распознавание лица для космологии

Пока нет никаких распознаваемых лиц при съемке ночного неба, космологи все-таки искать что-то похожее, как Томаш Kacprzak, исследователь в группе Александра Рефрежиером в Институте физики элементарных частиц и астрофизики, поясняет: «Facebook использует свои алгоритмы, чтобы найти глаза, рот или уши в образы; мы используем наши искать признаки темной материи и темной энергии.» Как темную материю нельзя увидеть непосредственно на изображениях телескопа, физики рассчитывают на то, что вся материя, в том числе и мрачные — слегка изгибается пути световых лучей, прибывающих на Землю из далеких галактик. Этот эффект, известный как «слабое гравитационное линзирование» искажает изображения этих галактик очень тонко, как далекие предметы кажутся расплывчатыми в жаркий день, как свет проходит через слои воздуха разной температуры.

Космологи могут использовать такое искажение, Чтобы работать в обратном направлении и создать массовые карты неба, показывающие, где находится темная материя. Далее они сравнивают эти темные карты дело до теоретических предсказаний для того, чтобы узнать, какие космологические модели более всего соответствует данным. Традиционно это делается с помощью человека-разработаны статистические данные, такие как так называемые корреляционные функции, описывающие разные части карты связаны друг с другом. Такой статистики, однако, ограничены относительно того, насколько хорошо они могут найти сложные схемы в картах дело.

Нейронные сети обучают сами

«В нашей недавней работе мы использовали совершенно новые методики», — говорит Александр Рефрежиером. «Вместо того, чтобы изобретать соответствующий статистический анализ, мы позволить компьютерам делать работу». Это где Орельен Лукки и его коллеги из анализа данных лаборатории на кафедре информатики входите. Вместе с Флюри Янис, аспирант в группе Рефрежиером и ведущий автор исследования, они используют алгоритмы машинного обучения под названием Deep искусственных нейронных сетей и научили их добывать как можно большее количество информации от темных картах вопросе.

На первом этапе, ученые обученных нейронных сетей путем кормления их компьютерных данных, который моделирует вселенную. Таким образом, они знали, что правильный ответ для данного космологического параметра-например, соотношение между общим количеством темной материи и темной энергии-должно быть для каждого моделируемого темно карте дело. Неоднократно анализируя темных картах дело, нейронные сети научили самому искать нужные черты в них и извлекать все больше и больше нужной информации. По аналогии с Facebook, она стала лучше различать случайные овальной формы из глаза или рты.

Более точный, чем человека анализ

Результаты такого обучения оказались весьма благоприятными: нейронные сети придумали ценности, которые были на 30% более точный, чем те, которые получены традиционными методами, основанными на человека сделан статистический анализ. Для космологов, что это огромное улучшение как достичь такой же точности за счет увеличения количества снимков телескопа потребует вдвое больше времени наблюдения-это дорого.

Наконец, ученые использовали их полностью обученной нейронной сети для анализа реальных темных картах вопрос от детей-450 набор данных. «Это первый раз, когда таких инструментов машинного обучения были использованы в этом контексте», — говорит Флюри «и мы обнаружили, что глубокий искусственной нейронной сети позволяет нам извлекать больше информации из данных, чем предыдущие подходы. Мы считаем, что это использование машинного обучения в космологии будет много будущих приложений».

В качестве следующего шага, он и его коллеги планируют применить свой метод для больших наборов изображений, такие как темная энергетического обследования. Кроме того, более космологических параметров и уточнений, таких как данные о природе темной энергии будет подаваться в нейронных сетях.

сделать разницу: спонсорские возможности