Ett team av fysiker och datavetare vid ETH Zürich har utvecklat ett nytt förhållningssätt till problemet med mörk materia och mörk energi i universum. Med hjälp av verktyg för maskininlärning, de programmerade datorer för att lära sig själva hur man extraherar relevant information från kartor över universum.

Att förstå hur vårt universum kom att bli vad det är idag och vad som kommer att bli dess slutliga öde är en av de största utmaningarna inom vetenskapen. Den respektingivande uppvisningen av otaliga stjärnor en klar natt ger oss en uppfattning om problemets omfattning, och ändå är det bara en del av historien. Den djupare gåtan ligger i det vi inte kan se, åtminstone inte direkt:mörk materia och mörk energi. Med mörk materia som drar samman universum och mörk energi som får det att expandera snabbare, kosmologer behöver veta exakt hur mycket av dessa två som finns där ute för att förfina sina modeller.

På ETH Zürich, forskare från institutionen för fysik och institutionen för datavetenskap har nu gått samman för att förbättra standardmetoder för att uppskatta innehållet av mörk materia i universum genom artificiell intelligens. De använde avancerade maskininlärningsalgoritmer för kosmologisk dataanalys som har mycket gemensamt med de som används för ansiktsigenkänning av Facebook och andra sociala medier. Deras resultat har nyligen publicerats i den vetenskapliga tidskriften Fysisk granskning D .

Ansiktsigenkänning för kosmologi

Även om det inte finns några ansikten att känna igen på bilder tagna på natthimlen, kosmologer letar fortfarande efter något liknande, som Tomasz Kacprzak, en forskare i gruppen Alexandre Refregier vid Institutet för partikelfysik och astrofysik, förklarar:"Facebook använder sina algoritmer för att hitta ögon, mun eller öron i bilder; vi använder vår för att leta efter de tydliga tecknen på mörk materia och mörk energi." Eftersom mörk materia inte kan ses direkt i teleskopbilder, fysiker förlitar sig på att all materia - inklusive den mörka sorten - något böjer vägen för ljusstrålar som kommer till jorden från avlägsna galaxer. Denna effekt, känd som "svag gravitationslinsning, " förvränger bilderna av dessa galaxer mycket subtilt, ungefär som långt borta föremål verkar suddiga på en varm dag när ljus passerar genom luftlager vid olika temperaturer.

Kosmologer kan använda den förvrängningen för att arbeta bakåt och skapa masskartor över himlen som visar var mörk materia finns. Nästa, de jämför dessa mörka materia-kartor med teoretiska förutsägelser för att hitta vilken kosmologisk modell som bäst matchar data. Traditionellt, detta görs med hjälp av människodesignad statistik som så kallade korrelationsfunktioner som beskriver hur olika delar av kartorna är relaterade till varandra. Sådan statistik, dock, är begränsade till hur väl de kan hitta komplexa mönster i materiekartorna.

Neurala nätverk lär sig själva

"I vårt senaste arbete, vi har använt en helt ny metodik, " säger Alexandre Refregier. "Istället för att själva uppfinna den lämpliga statistiska analysen, vi låter datorer göra jobbet." Det är här Aurelien Lucchi och hans kollegor från Data Analytics Lab vid institutionen för datavetenskap kommer in. Tillsammans med Janis Fluri, en Ph.D. student i Refregiers grupp och huvudförfattare till studien, de använde maskininlärningsalgoritmer som kallas djupa artificiella neurala nätverk och lärde dem att extrahera största möjliga mängd information från kartorna med mörk materia.

I ett första steg, forskarna tränade de neurala nätverken genom att mata dem datorgenererad data som simulerar universum. På det sättet, de visste vad det korrekta svaret för en given kosmologisk parameter – till exempel, förhållandet mellan den totala mängden mörk materia och mörk energi - bör vara för varje simulerad karta över mörk materia. Genom att upprepade gånger analysera kartorna för mörk materia, det neurala nätverket lärde sig att leta efter rätt sorts egenskaper i dem och att extrahera mer och mer av den önskade informationen. I Facebook-liknelsen, det blev bättre på att skilja slumpmässiga ovala former från ögon eller munnar.

Mer exakt än mänskliga analyser

Resultaten av den träningen var uppmuntrande:de neurala nätverken kom fram till värden som var 30 % mer exakta än de som erhölls med traditionella metoder baserade på mänskligt skapad statistisk analys. För kosmologer, det är en enorm förbättring eftersom att nå samma noggrannhet genom att öka antalet teleskopbilder skulle kräva dubbelt så mycket observationstid – vilket är dyrt.

Till sist, forskarna använde sitt fullt utbildade neurala nätverk för att analysera faktiska kartor av mörk materia från KiDS-450-datauppsättningen. "Detta är första gången sådana maskininlärningsverktyg har använts i detta sammanhang, säger Fluri, "och vi fann att det djupa artificiella neurala nätverket gör det möjligt för oss att extrahera mer information från data än tidigare tillvägagångssätt. Vi tror att denna användning av maskininlärning i kosmologi kommer att ha många framtida tillämpningar."

Som nästa steg, han och hans kollegor planerar att tillämpa sin metod på större bilduppsättningar som Dark Energy Survey. Också, fler kosmologiska parametrar och förfiningar som detaljer om mörk energis natur kommer att matas till de neurala nätverken.