Comprender cómo nuestro universo llegó a ser lo que es hoy y cuál será su destino final es uno de los mayores desafíos en la ciencia. La impresionante exhibición de innumerables estrellas en una noche clara nos da una idea de la magnitud deel problema y, sin embargo, eso es solo una parte de la historia. El enigma más profundo radica en lo que no podemos ver, al menos no directamente: materia oscura y energía oscura. Con la materia oscura uniendo el universo y la energía oscura haciendo que se expanda más rápido,los cosmólogos necesitan saber exactamente cuánto de esos dos hay para afinar sus modelos.
En ETH Zurich, los científicos del Departamento de Física y del Departamento de Ciencias de la Computación ahora han unido fuerzas para mejorar los métodos estándar para estimar el contenido de materia oscura del universo a través de la inteligencia artificial. Usaron algoritmos de aprendizaje automático de vanguardia para la cosmologíaanálisis de datos que tienen mucho en común con los utilizados para el reconocimiento facial por Facebook y otras redes sociales. Sus resultados han sido publicados recientemente en la revista científica Revisión física D .
Reconocimiento facial para cosmología
Si bien no hay rostros para reconocer en las imágenes tomadas del cielo nocturno, los cosmólogos aún buscan algo bastante similar, como explica Tomasz Kacprzak, investigador del grupo Alexandre Refregier del Instituto de Física y Astrofísica de Partículas, "Facebook usa sus algoritmos para encontrar ojos, bocas u oídos en las imágenes; nosotros usamos los nuestros para buscar los signos reveladores de la materia oscura y la energía oscura ". Como la materia oscura no se puede ver directamente en las imágenes del telescopio, los físicos confían en el hecho de quetoda la materia, incluida la variedad oscura, dobla ligeramente el camino de los rayos de luz que llegan a la Tierra desde galaxias distantes. Este efecto, conocido como "lente gravitacional débil", distorsiona las imágenes de esas galaxias de manera muy sutil, como si estuvieran muy lejoslos objetos aparecen borrosos en un día caluroso cuando la luz pasa a través de capas de aire a diferentes temperaturas.
Los cosmólogos pueden usar esa distorsión para trabajar hacia atrás y crear mapas masivos del cielo que muestren dónde se encuentra la materia oscura. A continuación, comparan esos mapas de materia oscura con predicciones teóricas para encontrar el modelo cosmológico que más se acerca a los datos. Tradicionalmente,Esto se hace utilizando estadísticas diseñadas por humanos, como las llamadas funciones de correlación que describen cómo se relacionan entre sí las diferentes partes de los mapas, pero estas estadísticas son limitadas en cuanto a qué tan bien pueden encontrar patrones complejos en los mapas de materia.
las redes neuronales se enseñan a sí mismas
"En nuestro trabajo reciente, hemos utilizado una metodología completamente nueva", dice Alexandre Refregier. "En lugar de inventar nosotros mismos el análisis estadístico apropiado, dejamos que las computadoras hagan el trabajo". Aquí es donde Aurelien Lucchi y sus colegas de DataEntró el Laboratorio de Análisis del Departamento de Ciencias de la Computación. Junto con Janis Fluri, estudiante de doctorado en el grupo de Refregier y autor principal del estudio, utilizaron algoritmos de aprendizaje automático llamados redes neuronales artificiales profundas y les enseñaron a extraer la mayor cantidad posible de informaciónde los mapas de materia oscura.
En un primer paso, los científicos entrenaron las redes neuronales al proporcionarles datos generados por computadora que simulan el universo. De esa manera, sabían cuál era la respuesta correcta para un parámetro cosmológico dado, por ejemplo, la relación entre la cantidad totalde materia oscura y energía oscura: debe ser para cada mapa simulado de materia oscura. Al analizar repetidamente los mapas de materia oscura, la red neuronal se enseñó a sí misma a buscar el tipo correcto de características en ellos y extraer más y más de la información deseadaEn la analogía de Facebook, mejoró en distinguir formas ovales aleatorias de los ojos o la boca.
Más preciso que el análisis hecho por el hombre
Los resultados de ese entrenamiento fueron alentadores: las redes neuronales obtuvieron valores que eran 30% más precisos que los obtenidos por métodos tradicionales basados en análisis estadísticos hechos por el hombre. Para los cosmólogos, eso es una gran mejora al alcanzar la misma precisiónAl aumentar el número de imágenes del telescopio se requeriría el doble de tiempo de observación, lo cual es costoso.
Finalmente, los científicos utilizaron su red neuronal totalmente entrenada para analizar mapas reales de materia oscura del conjunto de datos KiDS-450. "Esta es la primera vez que se usan herramientas de aprendizaje automático en este contexto", dice Fluri, "y encontramosque la red neuronal artificial profunda nos permite extraer más información de los datos que los enfoques anteriores. Creemos que este uso del aprendizaje automático en cosmología tendrá muchas aplicaciones futuras ".
Como siguiente paso, él y sus colegas planean aplicar su método a conjuntos de imágenes más grandes, como el Dark Energy Survey. Además, más parámetros cosmológicos y refinamientos, como detalles sobre la naturaleza de la energía oscura, se alimentarán a los nervios.redes
Fuente de la historia :
Materiales proporcionado por ETH Zúrich . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :