Астрономия

Алгоритмы для распознавания лиц помогли исследовать темную материю

Образец карты темной материи, использовавшейся для тренировки нейросети

ETH Zurich

Команда физиков и программистов из Швейцарской высшей технической школы Цюриха разработала новый подход к исследованию темной материи и темной энергии во Вселенной с помощью инструментов машинного обучения. Статья ученых опубликована в журнале Physical Review D.

Понимание эволюции Вселенной и ее дальнейшего развития является одним из самых больших вызовов в науке. Но гораздо более глубокая загадка кроется в том, что мы не можем увидеть: в темной материи и темной энергии. Поскольку темная материя служит своеобразным клеем и «стягивает» Вселенную, а темная энергия заставляет ее расширяться быстрее, ученые должны точно знать процентное содержание каждой из этих субстанций, чтобы строить точные прогнозы.

Чтобы уточнить наши представления об этих темных явлениях, ученые из отдела физики и компьютерных наук Швейцарской высшей технической школы Цюриха объединили свои усилия. Они использовали искусственный интеллект для улучшения стандартных методов оценки содержания темной материи во Вселенной. Ученые применили самые современные алгоритмы машинного обучения, которые имеют много общего с теми, которые используются для распознавания лиц в Facebook и других социальных сетях. Единственное отличие — теперь эти программы применили для анализа космологических данных.

Поскольку темная материя не может быть видна непосредственно на снимках телескопа, физики полагаются на то, что вся материя слегка искривляет путь лучей света, поступающих на Землю из далеких галактик. Этот эффект, известный как «слабое гравитационное линзирование», очень тонко искажает изображения этих галактик, подобно тому, как далекие объекты кажутся размытыми в жаркий день, когда свет проходит через слои воздуха разной температуры.

Космологи могут использовать это искажение, чтобы создавать карты неба, показывающие, где находится темная материя. Затем можно сравнить эти карты темной материи с теоретическими предсказаниями, чтобы найти, какая космологическая модель наиболее хорошо соответствует наблюдениям. Традиционно это делается с помощью разработанных человеком статистических инструментов, таких как корреляционные функции, которые описывают, как различные части карт связаны друг с другом. Однако такой метод ограничивается тем, насколько хорошо он позволяет находить сложные закономерности в картах.

«В нашей недавней работе мы использовали совершенно новую методологию, — отмечает сотрудник Института физики элементарных частиц и астрофизики Швейцарской высшей технической школы Цюриха Александр Рефрежье. — Вместо того чтобы самим изобретать соответствующий статистический анализ, мы позволили компьютерам сделать это».

Результаты моделирования оправдали ожидания ученых: нейронные сети получили значения, которые были на 30% более точными, чем полученные традиционными методами на основе «человеческого» статистического анализа. Для космологов это является огромным прогрессом, поскольку теперь можно получать ту же точность измерения, делая меньшее число снимков ночного неба на телескопе.

Понравился материал? Добавьте Indicator.Ru в «Мои источники» Яндекс.Новостей и читайте нас чаще.