人工智能证明 分析暗物质比人精度高30%

塞克思苏黎世一组物理和计算机科学家开发出新方法解决宇宙暗物质和暗能问题使用机器学习工具编程计算机教自己 如何从宇宙地图中提取相关信息

理解宇宙如何发展到今天 和它最终命运是科学最大挑战壮观地展示无数恒星 明晚让我们知道问题的严重性 可那只是故事的一部分深层谜题在于我们无法见,至少非直接见:暗物质和暗能量暗物质拉动宇宙并导致它加速扩展 宇宙学家需要知道 这两件中究竟有多少

ETH苏黎世物理系和计算机科学系的科学家现在联手提高标准方法,通过人工智能估计宇宙暗物质内容最前沿机器学习算法用于宇宙学数据分析,这些算法与脸书和其他社交媒体面部识别法大相径庭近代结果发布科学杂志物理审查D.

侧面识别宇宙学

取夜空照片中无法识别面孔, 宇宙学家仍寻找相似的东西, 如粒子物理和天体物理学院Alexandre Refrigier群研究者Tomasz Kacprzak解释道:“Facebook使用算法查找图像中的眼睛、口或耳!光线从远方星系射入地球时,光线路稍有弯曲,包括暗形形色色,物理家依赖所有物-包括暗色色色-这一事实为据,暗色物无法直接从望远镜图像中看到被称为弱重力透镜效果, 极低调扭曲这些星系图像, 仿佛远方物体在热天似乎模糊化, 光在不同温度下穿过层空气

宇宙学家可以使用变形向后工作并制作天空质量图显示暗物位置并比较暗物图理论预测 以查找最接近数据传统上,这是使用人工设计统计方法实现的,例如所谓的关联函数描述地图的不同部分彼此关联但这些统计有限,无法在物型图中找到复杂模式

神经网络自教

Alexandre Refregier表示:「最近工作使用全新方法,Aurelien Lucchi和他的计算机科学系数据分析实验室同事JanisFluri是Refgier集团的博士生兼研究主笔使用机器学习算法深人工神经网络并教教他们从暗物图中提取最大量信息

第一步 科学家训练神经网络 输入计算机生成数据 模拟宇宙光量总和暗能之比应该对每幅模拟暗值映射正确解答-例如暗值总和之比-神经网络通过多次分析暗物质图教自己查找图中正确的特征并提取更多期望信息脸书类比中,它比较能辨别随机oval形状与视口

比人造分析更精确

培训结果令人鼓舞:神经网络产生的值比基于人造统计分析的传统方法所得值高30%对宇宙学家来说,这是一个巨大的改进 即实现相同精度增加望远镜图像数需要比观察时间高一倍-这是昂贵的。

科学家们用完全训练神经网络分析KIDS-450数据集中的实际暗物质图 。Fluri说, “这是首次使用机器学习工具来做上下文处理, 并发现深人工神经网络比前方法能让我们从数据中提取更多信息 。我们相信机器宇宙学应用未来会有很多应用

下一步,他和同僚正计划用方法大图像集,如黑能调查更多的宇宙参数和精度,如暗能性质细节,将输入神经网络

参考文献:Janis Fluri、Tomasz Kacprzak、Aurelien Lucchi、Alexandre Refregier、Adam Amara、ThomasHofmann和Aurel Schneider编写,2019年9月13日物理审查D.
DOI: 10.1103/PhysRevD.100.063514