万能的人工智能：科学家利用人工智能探测宇宙中的暗物质

123456790

苏黎世联邦理工学院的一组物理学家和计算机科学家开发了一种新的方法来解决宇宙中的暗物质和暗能量问题。利用机器学习工具，他们给计算机编程，使其学会如何从宇宙地图中提取相关信息。
了解我们的宇宙是如何形成今天的样子，以及它最终的命运是什么，是科学界面临的最大挑战之一。在一个晴朗的夜晚，数不清的星星令人敬畏地展现在我们面前，这让我们对这个问题的严重性有了一些了解，但这只是故事的一部分。更深层次的谜团在于我们看不到的东西，至少不是直接看到的:暗物质和暗能量。由于暗物质将宇宙拉在一起，而暗能量使宇宙膨胀得更快，宇宙学家需要确切地知道这两种物质中有多少存在，以便完善他们的模型。
苏黎世联邦理工学院物理系和计算机科学系的科学家们现在联合起来，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进行宇宙学数据分析，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。
宇宙学中的面部识别
虽然没有面临被拍照的夜空,宇宙学家依旧寻找一些类似,而作为Tomasz Kacprzak,一群研究员亚历山大Refregier粒子物理和天体物理研究所的,解释说:“Facebook使用算法来发现的眼睛,嘴巴或耳朵图像;我们用自己的望远镜寻找暗物质和暗能量的蛛丝马迹。”由于暗物质无法在望远镜图像中直接观测到，物理学家们依赖于这样一个事实:所有物质——包括暗物质——都会轻微地弯曲来自遥远星系的光线到达地球的路径。这种效应被称为“弱引力透镜效应”，它非常微妙地扭曲了这些星系的图像，就像在炎热的日子里，当光线在不同温度下穿过层层空气时，远处的物体看起来很模糊。
宇宙学家可以利用这种扭曲来逆向工作，绘制出显示暗物质位置的天空质量图。接下来，他们将这些暗物质图与理论预测进行比较，以找出哪种宇宙学模型与数据最接近。传统上，这是使用人为设计的统计数据来完成的，比如所谓的关联函数，它描述了地图的不同部分是如何相互关联的。然而，这些统计数据在如何在物质图中找到复杂模式方面是有限的。
神经网络自学
“在我们最近的工作中，我们使用了一种全新的方法，”Alexandre Refregier说。“我们没有自己发明合适的统计分析方法，而是让计算机来做这项工作。”这就是来自计算机科学系数据分析实验室的Aurelien Lucchi和他的同事的切入点。他们与瑞佛瑞格研究小组的博士生、该研究的主要作者詹尼斯·弗洛里(Janis Fluri)一起，使用了一种叫做深度人工神经网络(deep artificial neural networks)的机器学习算法，教他们从暗物质地图中提取尽可能多的信息。
在第一步中，科学家们通过向神经网络输入计算机生成的模拟宇宙的数据来训练它们。这样，他们就知道了一个给定的宇宙参数的正确答案——例如，暗物质总量和暗能量的比值应该是每个模拟暗物质图的正确答案。通过反复分析暗物质图，神经网络学会了寻找暗物质图中正确的特征，并从中提取出越来越多的所需信息。在Facebook的类比中，它更擅长区分随机的椭圆形和眼睛或嘴巴。
比人工分析更准确
这种训练的结果令人鼓舞:神经网络得出的值比基于人工统计分析的传统方法精确30%。对于宇宙学家来说，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——这是昂贵的。
最后，科学家们使用他们经过充分训练的神经网络来分析来自KiDS-450数据集的实际暗物质地图。Fluri说:“这是第一次将这种机器学习工具应用到这种环境中，我们发现深度人工神经网络使我们能够从数据中提取比以前更多的信息。”我们相信机器学习在宇宙学中的应用将会有很多未来的应用。”
下一步，他和他的同事计划将他们的方法应用于更大的图像集，如暗能量调查。此外，更多的宇宙学参数和改进，如关于暗能量本质的细节，将被输入神经网络。