蘇黎世聯邦理工學院的一組物理學家和計算機科學家開發了一種新的方法來解決宇宙中的暗物質和暗能量問題。利用機器學習工具，他們給計算機編程，使其學會如何從宇宙地圖中提取相關信息。
瞭解我們的宇宙是如何形成今天的樣子，以及它最終的命運是什麼，是科學界面臨的最大挑戰之一。在一個晴朗的夜晚，數不清的星星令人敬畏地展現在我們面前，這讓我們對這個問題的嚴重性有了一些瞭解，但這只是故事的一部分。更深層次的謎團在於我們看不到的東西，至少不是直接看到的:暗物質和暗能量。由於暗物質將宇宙拉在一起，而暗能量使宇宙膨脹得更快，宇宙學家需要確切地知道這兩種物質中有多少存在，以便完善他們的模型。
蘇黎世聯邦理工學院物理系和計算機科學系的科學家們現在聯合起來，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進行宇宙學數據分析，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。
宇宙學中的面部識別
雖然沒有面臨被拍照的夜空,宇宙學家仍然尋找一些類似,而作為Tomasz Kacprzak,一群研究員亞歷山大Refregier粒子物理和天體物理研究所的,解釋說:“Facebook使用算法來發現的眼睛,嘴巴或耳朵圖像;我們用自己的望遠鏡尋找暗物質和暗能量的蛛絲馬跡。”由於暗物質無法在望遠鏡圖像中直接觀測到，物理學家們依賴於這樣一個事實:所有物質——包括暗物質——都會輕微地彎曲來自遙遠星系的光線到達地球的路徑。這種效應被稱為“弱引力透鏡效應”，它非常微妙地扭曲了這些星系的圖像，就像在炎熱的日子裡，當光線在不同溫度下穿過層層空氣時，遠處的物體看起來很模糊。
宇宙學家可以利用這種扭曲來逆向工作，繪製出顯示暗物質位置的天空質量圖。接下來，他們將這些暗物質圖與理論預測進行比較，以找出哪種宇宙學模型與數據最接近。傳統上，這是使用人為設計的統計數據來完成的，比如所謂的關聯函數，它描述了地圖的不同部分是如何相互關聯的。然而，這些統計數據在如何在物質圖中找到複雜模式方面是有限的。
神經網絡自學
“在我們最近的工作中，我們使用了一種全新的方法，”Alexandre Refregier說。“我們沒有自己發明合適的統計分析方法，而是讓計算機來做這項工作。”這就是來自計算機科學系數據分析實驗室的Aurelien Lucchi和他的同事的切入點。他們與瑞佛瑞格研究小組的博士生、該研究的主要作者詹尼斯·弗洛裡(Janis Fluri)一起，使用了一種叫做深度人工神經網絡(deep artificial neural networks)的機器學習算法，教他們從暗物質地圖中提取儘可能多的信息。
在第一步中，科學家們通過向神經網絡輸入計算機生成的模擬宇宙的數據來訓練它們。這樣，他們就知道了一個給定的宇宙參數的正確答案——例如，暗物質總量和暗能量的比值應該是每個模擬暗物質圖的正確答案。通過反覆分析暗物質圖，神經網絡學會了尋找暗物質圖中正確的特徵，並從中提取出越來越多的所需信息。在Facebook的類比中，它更擅長區分隨機的橢圓形和眼睛或嘴巴。
比人工分析更準確
這種訓練的結果令人鼓舞:神經網絡得出的值比基於人工統計分析的傳統方法精確30%。對於宇宙學家來說，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——這是昂貴的。
最後，科學家們使用他們經過充分訓練的神經網絡來分析來自KiDS-450數據集的實際暗物質地圖。Fluri說:“這是第一次將這種機器學習工具應用到這種環境中，我們發現深度人工神經網絡使我們能夠從數據中提取比以前更多的信息。”我們相信機器學習在宇宙學中的應用將會有很多未來的應用。”
下一步，他和他的同事計劃將他們的方法應用於更大的圖像集，如暗能量調查。此外，更多的宇宙學參數和改進，如關於暗能量本質的細節，將被輸入神經網絡。
閱讀更多 Science科學說 的文章
