Trí tuệ nhân tạo thăm dò vật chất tối trong vũ trụ

Hiểu được làm thế nào vũ trụ của chúng ta trở thành như ngày nay và vận mệnh cuối cùng của nó là một trong những thách thức lớn nhất trong khoa học. Màn hình đầy cảm hứng của vô số ngôi sao trong một đêm rõ ràng cho chúng ta một số ý tưởng về mức độ nghiêm trọng của vấn đề, và đó chỉ là một phần của câu chuyện. Câu đố sâu hơn nằm ở những gì chúng ta không thể nhìn thấy, ít nhất là không trực tiếp: vật chất tối và năng lượng tối. Với vật chất tối kéo vũ trụ lại với nhau và năng lượng tối khiến nó giãn nở nhanh hơn, các nhà vũ trụ học cần biết chính xác có bao nhiêu trong số hai thứ đó ngoài kia để tinh chỉnh mô hình của chúng.

Tại ETH Zurich, các nhà khoa học từ Khoa Vật lý và Khoa Khoa học Máy tính hiện đã hợp tác để cải thiện các phương pháp tiêu chuẩn để ước tính hàm lượng vật chất tối trong vũ trụ thông qua trí tuệ nhân tạo. Họ đã sử dụng các thuật toán học máy tiên tiến để phân tích dữ liệu vũ trụ có nhiều điểm tương đồng với các thuật toán được sử dụng để nhận dạng khuôn mặt của Facebook và các phương tiện truyền thông xã hội khác. Kết quả của họ gần đây đã được công bố trên tạp chí khoa học tạp chí Physical Review D .

Nhận dạng khuôn mặt cho vũ trụ học

Mặc dù không có khuôn mặt nào được nhận ra trong các bức ảnh chụp bầu trời đêm nhưng các nhà vũ trụ học vẫn tìm kiếm một thứ khá giống nhau, như Tomasz Kacprzak, một nhà nghiên cứu trong nhóm Alexandre Refregier tại Viện Vật lý và Vật lý thiên văn, giải thích: “Facebook sử dụng thuật toán của nó để tìm mắt, miệng hoặc tai trong hình ảnh, chúng tôi sử dụng AI để tìm kiếm các dấu hiệu nhận biết về vật chất tối và năng lượng tối. ” Vì vật chất tối không thể nhìn thấy trực tiếp trong hình ảnh của kính viễn vọng, các nhà vật lý dựa vào thực tế là tất cả vật chất – bao gồm cả sự tối tăm – hơi uốn cong đường đi của các tia sáng đến Trái đất từ ​​các thiên hà xa xôi. Hiệu ứng này được gọi là “thấu kính hấp dẫn yếu” làm biến dạng hình ảnh của các thiên hà đó một cách rất tinh tế.

Các nhà vũ trụ học có thể sử dụng sự biến dạng đó để làm việc ngược và tạo ra các bản đồ khối của bầu trời cho thấy nơi có vật chất tối. Tiếp theo, họ so sánh các bản đồ vật chất tối đó với các dự đoán lý thuyết để tìm ra mô hình vũ trụ nào phù hợp nhất với dữ liệu. Theo truyền thống, điều này được thực hiện bằng cách sử dụng các số liệu thống kê do con người thiết kế, như cái gọi là các hàm tương quan mô tả cách các phần khác nhau của bản đồ có liên quan với nhau. Tuy nhiên, số liệu thống kê như vậy bị giới hạn về mức độ họ có thể tìm thấy các mẫu phức tạp trong bản đồ vật chất.

Mạng lưới thần kinh tự dạy mình

Alexandre Refregier chia sẻ: “Trong công việc gần đây của chúng tôi, chúng tôi đã sử dụng một phương pháp hoàn toàn mới. Thay vì tự phát minh ra phân tích thống kê phù hợp, chúng tôi cho phép máy tính thực hiện công việc.” Đây là nơi Aurelien Lucchi và các đồng nghiệp của ông từ Phòng thí nghiệm phân tích dữ liệu tại Khoa Khoa học máy tính đến. Cùng với Janis Fluri, nghiên cứu sinh trong nhóm của Refregier và là tác giả chính của nghiên cứu, họ đã sử dụng thuật toán học máy gọi là mạng lưới thần kinh nhân tạo sâu và dạy họ trích xuất lượng thông tin lớn nhất có thể từ các bản đồ vật chất tối.

Trong bước đầu tiên, các nhà khoa học đã đào tạo mạng lưới thần kinh bằng cách cung cấp cho họ dữ liệu do máy tính tạo ra mô phỏng vũ trụ. Bằng cách đó, họ biết câu trả lời chính xác cho một tham số vũ trụ nhất định – ví dụ, tỷ lệ giữa tổng lượng vật chất tối và năng lượng tối – nên dành cho mỗi bản đồ vật chất tối mô phỏng. Bằng cách liên tục phân tích các bản đồ vật chất tối, mạng lưới thần kinh đã tự dạy mình tìm kiếm các loại tính năng phù hợp trong chúng và trích xuất ngày càng nhiều thông tin mong muốn. Trong sự tương tự của Facebook, nó trở nên tốt hơn trong việc phân biệt các hình dạng hình bầu dục ngẫu nhiên từ mắt hoặc miệng.

Chính xác hơn phân tích do con người tạo ra

Kết quả của khóa đào tạo đó rất đáng khích lệ: các mạng lưới thần kinh đã đưa ra các giá trị chính xác hơn 30% so với các phương pháp truyền thống dựa trên phân tích thống kê do con người tạo ra. Đối với các nhà vũ trụ học, đó là một cải tiến rất lớn khi đạt được độ chính xác tương tự bằng cách tăng số lượng hình ảnh kính viễn vọng sẽ cần gấp đôi thời gian quan sát – rất tốn kém.

Cuối cùng, các nhà khoa học đã sử dụng mạng lưới thần kinh được đào tạo đầy đủ của họ để phân tích các bản đồ vật chất tối thực tế từ bộ dữ liệu KiDS-450. 

Đây là lần đầu tiên các công cụ học máy như vậy được sử dụng trong bối cảnh này và chúng ta thấy rằng mạng lưới thần kinh nhân tạo sâu cho phép các nhà khoa học trích xuất nhiều thông tin từ dữ liệu hơn các phương pháp trước đây. Họ tin rằng việc sử dụng này học máy trong vũ trụ học sẽ có nhiều ứng dụng trong tương lai.

Bước tiếp theo, nhóm nghiên cứu đang lên kế hoạch áp dụng phương pháp của họ cho các bộ ảnh lớn hơn như Khảo sát năng lượng tối. Ngoài ra, nhiều thông số vũ trụ và các sàng lọc như chi tiết về bản chất của năng lượng tối sẽ được cung cấp cho các mạng lưới thần kinh.

Nguồn truyện:

Tài liệu được cung cấp bởi ETH Zurich . Lưu ý: Nội dung có thể được chỉnh sửa cho kiểu dáng và độ dài.

Tạp chí tham khảo :

1. Janis Fluri, Tomasz Kacprzak, Aurelien Lucchi, Alexandre Refregier, Adam Amara, Thomas Hofmann, Aurel Schneider. Những hạn chế về vũ trụ với việc học sâu từ bản đồ thấu kính yếu KiDS-450 . Đánh giá vật lý D , 2019; 100 (6) DOI: 10.1103 / PhysRevD.100.063514