利用AI分析宇宙中有多少暗物质
编辑 | KING 发布 | ATYUN订阅号
当今科学界面临的最大挑战之一是了解我们的宇宙是如何形成今天的样子的，以及它最终的命运是什么。每当黑夜降临，无数的星星会出现在我们的视线里，但这只是宇宙的一部分，它还有许多我们看不到的更深层次的东西，比如说暗物质和暗能量。暗物质将宇宙拉在一起，而暗能量使宇宙膨胀得更快，但是这两种物质中有多少？即使是天文学家也不得而知。
苏黎世联邦理工学院物理系和计算机科学系的科学家们展开合作，来改进通过人工智能估计宇宙暗物质含量的标准方法。他们使用尖端的机器学习算法对宇宙数据进行深入分析，这些算法与Facebook和其他社交媒体用于面部识别的算法有很多共同点。他们的研究结果最近发表在科学杂志《物理评论D》上。
宇宙学中的人脸识别
虽然拍摄的夜空照片中没有人脸可以识别，但天文学家仍在寻找类似的东西，正如粒子物理和天体物理研究所的研究员托马兹·卡普扎克（Tomasz Kacprzak）所解释的：“Facebook使用它的算法在图像中寻找眼睛、嘴巴或耳朵；我们用我们的眼睛寻找暗物质和暗能量的信号。由于在望远镜图像中无法直接看到暗物质，物理学家利用了一种现象，即宇宙中的所有物质包括暗物质发出的光线都会以稍微弯曲的路径到达地球。就像在炎热的天气里，当光线在不同温度下穿过空气层时，遥远的物体显得模糊不清一样。这种现象被称为‘弱引力透镜’效应”。天文学家可以利用这种效应，绘制出显示暗物质位置的图像。接下来，他们将这些暗物质图与理论预测进行比较，以找出哪个宇宙学模型与数据最接近。
神经网络自学
在最近的工作中他们使用了一种全新的方法，即深度人工神经网络的机器学习算法，以从暗物质图像中提取尽可能多的信息。在第一步中，科学家通过给神经网络提供模拟宇宙的计算机生成的数据来训练神经网络。通过反复分析暗物质图，神经网络会自己寻找其中正确的特征，并提取越来越多的所需信息。类似于Facebook人脸识别中区分眼睛和嘴巴的过程。
比人工分析更准确
最后，科学家们利用他们的神经网络分析了来自Kids-450数据集的实际暗物质图像。通过实验发现：神经网络得出的值比传统的人工统计分析的方法精确30%。对于天文学家来说，这是一个巨大的进步，因为通过增加望远镜图像的数量达到同样的精度需要两倍的观测时间。研究人员说：“我们发现深度人工神经网络使我们能够从数据中提取更多的信息。我们相信未来机器学习在宇宙学中会有更广泛的应用。”
end
