利用AI分析宇宙中有多少暗物質
編輯 | KING 發佈 | ATYUN訂閱號
當今科學界面臨的最大挑戰之一是了解我們的宇宙是如何形成今天的樣子的，以及它最終的命運是什麼。每當黑夜降臨，無數的星星會出現在我們的視線里，但這只是宇宙的一部分，它還有許多我們看不到的更深層次的東西，比如說暗物質和暗能量。暗物質將宇宙拉在一起，而暗能量使宇宙膨脹得更快，但是這兩種物質中有多少？即使是天文學家也不得而知。
蘇黎世聯邦理工學院物理系和計算機科學系的科學家們展開合作，來改進通過人工智能估計宇宙暗物質含量的標準方法。他們使用尖端的機器學習算法對宇宙數據進行深入分析，這些算法與Facebook和其他社交媒體用於面部識別的算法有很多共同點。他們的研究結果最近發表在科學雜誌《物理評論D》上。
宇宙學中的人臉識別
雖然拍攝的夜空照片中沒有人臉可以識別，但天文學家仍在尋找類似的東西，正如粒子物理和天體物理研究所的研究員托馬茲·卡普扎克（Tomasz Kacprzak）所解釋的：「Facebook使用它的算法在圖像中尋找眼睛、嘴巴或耳朵；我們用我們的眼睛尋找暗物質和暗能量的信號。由於在望遠鏡圖像中無法直接看到暗物質，物理學家利用了一種現象，即宇宙中的所有物質包括暗物質發出的光線都會以稍微彎曲的路徑到達地球。就像在炎熱的天氣里，當光線在不同溫度下穿過空氣層時，遙遠的物體顯得模糊不清一樣。這種現象被稱為『弱引力透鏡』效應」。天文學家可以利用這種效應，繪製出顯示暗物質位置的圖像。接下來，他們將這些暗物質圖與理論預測進行比較，以找出哪個宇宙學模型與數據最接近。
神經網絡自學
在最近的工作中他們使用了一種全新的方法，即深度人工神經網絡的機器學習算法，以從暗物質圖像中提取儘可能多的信息。在第一步中，科學家通過給神經網絡提供模擬宇宙的計算機生成的數據來訓練神經網絡。通過反覆分析暗物質圖，神經網絡會自己尋找其中正確的特徵，並提取越來越多的所需信息。類似於Facebook人臉識別中區分眼睛和嘴巴的過程。
比人工分析更準確
最後，科學家們利用他們的神經網絡分析了來自Kids-450數據集的實際暗物質圖像。通過實驗發現：神經網絡得出的值比傳統的人工統計分析的方法精確30%。對於天文學家來說，這是一個巨大的進步，因為通過增加望遠鏡圖像的數量達到同樣的精度需要兩倍的觀測時間。研究人員說：「我們發現深度人工神經網絡使我們能夠從數據中提取更多的信息。我們相信未來機器學習在宇宙學中會有更廣泛的應用。」
end
