这是研究人员使用的典型计算机生成的暗物质地图，用于培训神经网络。
Eth苏黎世的物理学家和计算机科学家团队对宇宙中的暗物质和黑暗能源问题产生了新的方法。使用机器学习工具，他们编程计算机以教授自己如何从宇宙的地图中提取相关信息。
了解我们的宇宙如何成为今天的宇宙是什么，最终命运是科学中最大的挑战之一。在一个晴朗的夜晚令人敬畏的令人醒来的无数星星展示了一些问题的想法，但这只是故事的一部分。更深层次的谜语在于我们看不到的东西，至少不是直接：暗物质和黑暗能量。随着暗物质将宇宙拉在一起和暗能量，导致它扩大更快，宇宙学家需要确切地知道那些两者在那里有多少，以便改进他们的模型。
在苏黎世，物理系和计算机科学系的科学家现在已经加入了通过人工智能估算宇宙暗物质含量的标准方法。他们使用了用于宇宙学数据分析的尖端机器学习算法，这与Facebook和其他社交媒体的面部识别有很多共同点。他们的结果最近发表在科学期刊物理审查D.
宇宙学的面部识别
虽然在夜空中的照片中没有脸部被认可，但宇宙学家仍然寻找相当类似的东西，这是粒子物理学和天体物理学研究所的亚历山大·雷德集团的研究员，解释说：“Facebook使用其算法在图像中找到眼睛，嘴巴或耳朵;我们使用我们的人寻找暗物质和黑暗能量的讲述迹象。“由于暗物质不能直接在望远镜图像中看到，物理学家依赖于所有物质 - 包括黑暗品种 - 略微弯曲光线从远处到达地球的光线路径。这种效果，称为“弱引力透镜”，非常巧妙地扭曲了这些星系的图像，如遥远的物体在炎热的一天中显得模糊，因为光在不同温度下通过空气层。
宇宙学家可以使用这种扭曲来向后工作，并在暗物质所在的地方创建群众地图。接下来，他们将那些暗物质地图与理论预测进行比较，以便找到哪种宇宙学模型最接近匹配数据。传统上，这是使用人为设计的统计来完成的，例如所谓的相关函数，这些相关函数描述地图的不同部分彼此相关。然而，这种统计数据有限于他们在物质地图中可以找到复杂的模式。
神经网络教授自己
“在我们最近的工作中，我们使用了一种全新的方法，”亚历山大·冰川说。“而不是发明适当的统计分析，我们让计算机完成这项工作。”这是从计算机科学部的数据分析实验室的Aurelien Lucchi和他的同事进来。与Janis Fluri，一名冰费集团的博士生和研究领先作者，他们使用了机器学习算法，称为深度人工神经网络并教导他们从暗物质地图中提取最大可能的信息量。
一旦神经网络接受了训练，它可以用于从夜空的实际图像中提取宇宙学参数。
在第一步中，科学家通过喂食模拟宇宙的计算机生成的数据来训练神经网络。这样，他们知道给定宇宙学参数的正确答案 - 例如，暗物质和暗能量的总量之间的比率应该是每个模拟的暗物质图。通过反复分析暗物质地图，神经网络教导本身寻找它们中的合适类型，并提取越来越多的期望信息。在Facebook类比中，它在从眼睛或嘴巴中区分随机椭圆形状更好。
比人类分析更准确
该培训的结果令人鼓舞：神经网络提出的价值观比通过基于人为统计分析的传统方法获得的值更准确。对于宇宙学家来说，通过增加望远镜图像的数量需要两倍的观察时间 - 这是一个巨大的改进，这是巨大的改进。
最后，科学家们使用他们全训练的神经网络来分析来自儿童450数据集的实际暗物质地图。“这是第一次在这种情况下使用这种机器学习工具，”弗拉利说：“弗拉利说：”我们发现深度人工神经网络使我们能够从数据中提取更多的信息而不是先前的方法。我们认为，在宇宙学中的机器学习的这种情况将有许多未来的应用。“
作为下一步，他和他的同事计划将其方法应用于更大的图像集，例如黑暗能量调查。此外，更多的宇宙学参数和改进如关于暗能的性质的细节将被馈送到神经网络。
参考：“来自儿童450弱镜头地图的宇宙学约束”由Janis Fluri，Tomasz Kacprzak，Aurelien Lucchi，Alexandre Refregir，Adam Amara，Thomas Hofmann和Aurel Schneider，2019年9月13日，物理评论D.Doi：
10.1103 / physrevd.100.063514
