Kā sejas atpazīšana palīdz astronomiem atklāt tumšās matērijas noslēpumus

Varētu to pašu tehnoloģiju, kas tiek izmantota atbloķējiet cilvēku viedtālruņus palīdzēt arī atklāt Visuma noslēpumus? Tas var izklausīties maz ticams, taču tieši to cenšas panākt pētnieki no Šveices zinātnes un tehnoloģijas universitātes ETH Cīrihes.

Mūsdienu sejas atpazīšanas pamatā ir mākslīgā intelekta neironu tīkla veida variācijas tehnoloģiju, viņi ir izstrādājuši jaunu A.I. rīki, kas varētu izrādīties spēles mainītājs, atklājot tā saukto “tumšā matērija”. Fiziķi uzskata, ka šīs noslēpumainās vielas izpratne ir nepieciešama, lai izskaidrotu pamatjautājumus par Visuma pamatā esošo struktūru.

"Mūsu [izmantotais] algoritms ir ļoti tuvs tam, ko parasti izmanto sejas atpazīšanā." Jānis Fluri, Ph.D. Students, kurš strādā ETH Cīrihes laboratorijā, koncentrējās uz neironu tīklu pielietošanu kosmoloģiskām problēmām, pastāstīja Digital Trends. “A.I. skaistums. ir tas, ka tas var mācīties būtībā no jebkuriem datiem. Sejas atpazīšanā tas mācās atpazīt acis, muti un degunu, kamēr mēs meklējam struktūras, kas sniedz mums mājienus par tumšo vielu. Šī modeļa atpazīšana būtībā ir algoritma kodols. Galu galā mēs to pielāgojām tikai, lai secinātu pamatā esošos kosmoloģiskos parametrus.

Tumšai vielai ir nozīme

Bet kas īsti ir tas, ko pētnieki meklē? Šobrīd tas nav pilnībā zināms. Taču, kā Amerikas Savienoto Valstu Augstākās tiesas tiesnesis Poters Stjuarts neaizmirstami teica par neķītrību: "Es to zinu, kad to redzu." Vai drīzāk mēs to nedarīsim, jo ​​to nevar redzēt. Bet zinātnieki to uzzinās, tiklīdz būs to atraduši. Laipni lūdzam dīvainajā tumšās matērijas pasaulē.

Tumšās matērijas esamība kaut kādā formā ir izvirzīta jau vairāk nekā gadsimtu. Tiek uzskatīts, ka tas veido aptuveni 27% no Visuma, pārspējot redzamo vielu ar attiecību aptuveni seši pret vienu. Viss Visumā, ko mēs varam atklāt — visa atomu viela, kas veido galaktikas, zvaigznes, planētas, dzīvību uz Zemes ierīce, par kuru lasāt šo rakstu, ir tikai niecīga daļiņa no visas lietas, kas pastāv. Lielāko daļu no tā nevar tieši izsekot. Tas ir neredzams un spēj iziet cauri regulārai redzamajai vielai.

Tā vietā tā pastāvēšana ir balstīta uz mūsu novērojumiem par to, kā Visums darbojas; kā mājas biedrs, kuru jūs nekad neredzat, bet esat pārliecināts, ka pastāv, jo viņiem tiek samaksāta puse no rēķiniem un kāds laiku pa laikam lieto dušu, kad vēlaties. Tikai šajā gadījumā tas ir tāpēc, ka zinātnieki ir noskaidrojuši, ka galaktiku rotācijas ātrums ir tāds pietiekami ātri, lai tos nevarētu noturēt kopā tikai novērojamā radītā gravitācija jautājums. Tāpēc teorētiski tiek uzskatīts, ka tumšā viela ir slepenās sastāvdaļas, kas šīm galaktikām piešķir papildu masu, kas tām nepieciešama, lai tās nesaplēstos kā pašnāvniecisks papīra maisiņš. Tas liek parastajām vielām putekļu un gāzes veidā savākties un apvienoties zvaigznēs un galaktikās.

Vāja gravitācijas lēca glābšanai

Meklēt kaut ko tādu, uz ko nevar skatīties, izklausās grūti. Tas ir. Bet ir veids, kā zinātnieki var precīzi noteikt, kur, viņuprāt, visticamāk atrodas tumšā viela. Viņi to dara, aplūkojot smalkos gaismas veidus, kā lielo galaktiku kopu gravitācija saliec un izkropļo gaismu no tālākām galaktikām. To sauc par vāju gravitācijas lēcu.

Novērojot apgabalus ap masveida galaktiku kopām, astronomi var identificēt fona galaktikas, kas šķiet izliektas. Apstrādājot šos izkropļojumus, viņi pēc tam var izolēt vietu, kur, pēc viņu domām, var atrast visblīvāko matērijas koncentrāciju, gan redzamo, gan neredzamo. Padomājiet par to kā par mirāžas efektu, kas karstā dienā padara tālu attēlus izplūdušus un mirdzošus — tikai daudz tālāk.

"Iepriekš tika pētītas vājas objektīva masas kartes, manuāli atlasot atbilstošās pazīmes," skaidroja Jānis Fluri. “Tas ir ļoti sarežģīts uzdevums, un nav garantijas, ka atlasītajās funkcijās ir visa atbilstošā informācija. Mēs atrisinām šo problēmu ar A.I. pieeja. Mūsu darbā izmantotie konvolucionālie neironu tīkli ir izcili modeļu atpazīšanas jomā.

Konvolūcijas neironu tīkls ir smadzeņu iedvesmota mākslīgā intelekta veids, ko bieži izmanto attēlu klasifikācijas uzdevumiem. Lai gan tās neironiem joprojām ir tradicionālo neironu tīklu apgūstamie svari un novirzes (t.i., lietas, kas ļauj tam mācīties), tā skaidrais pieņēmums, ka tas nodarbojas ar attēliem, jo ​​ievade ļauj to veidotājiem samazināt parametru skaitu tīklu. Tas padara to efektīvāku.

"Rupji runājot, [tas darbojas, mēs nodrošinām tīklus] ar lielu datu daudzumu, tie automātiski izveido sarežģītu filtru kopu, lai iegūtu atbilstošo informāciju no kartēm." Dr Tomašs Kačprzaks, viens no citiem projekta līdzautoriem, pastāstīja Digital Trends. "Pēc tam tas mēģina optimāli apvienot šos filtrus, lai sniegtu pēc iespējas precīzāku atbildi."

Kosmoloģisko parametru iegūšana

Pētnieki apmācīja savu neironu tīklu, ievadot tam datorizētus datus, kas simulē Visumu. Tas ļāva tai atkārtoti analizēt tumšās vielas kartes, lai varētu iegūt "kosmoloģiskos parametrus" no reāliem nakts debesu attēliem. Rezultāti uzrādīja uzlabojumus par 30%, salīdzinot ar tradicionālajām metodēm, pamatojoties uz cilvēku veiktu statistisko analīzi.

“A.I. algoritmam ir nepieciešams daudz datu, lai to apgūtu apmācības fāzē,” turpināja Fluri. “Ir ļoti svarīgi, lai šie apmācības dati, mūsu gadījumā simulācijas, būtu pēc iespējas precīzāki. Pretējā gadījumā tas apgūs funkcijas, kuras reālos datos nav. Lai to izdarītu, mums bija jāģenerē daudz lielu un precīzu simulāciju, kas bija ļoti sarežģīti. Pēc tam mums bija jāpielāgo algoritms, lai sasniegtu maksimālo veiktspēju. Tas tika paveikts, pārbaudot vairākas tīkla arhitektūras, lai optimizētu veiktspēju.

Pēc tam viņi izmantoja savu pilnībā apmācīto neironu tīklu, lai analizētu faktiskās tumšās vielas kartes. Šie nāca no t.s KiDS-450 datu kopa, izgatavots, izmantojot VLT Survey Telescope (VST) Čīlē. Datu kopa aptver kopējo platību, kas aptuveni 2200 reižu pārsniedz pilnmēness lielumu. Tajā ir ieraksti par aptuveni 15 miljoniem galaktiku.

Šī ārkārtīgi lielā datu apjoma dēļ pētniekiem bija nepieciešams superdators, lai īstenotu savu mākslīgo intelektu. Viņi galu galā vadīja savu A.I. datorā Šveices Nacionālajā superskaitļošanas centrā Lugāno, pilsētā Šveices dienvidos, kas robežojas ar Itāliju. CSCS superdatori ir pieejami visām Šveices universitātēm un pētniecības iestādēm. Tās iekārtas ir tik jaudīgas, ka, lai tās nepārkarstu, ūdens no tuvējā Lugāno ezera tiek iesūknēts dzesēšanai ar ātrumu 460 litri sekundē.

Kosmoloģiskais A.I.

“Šis bija pirmais A.I. reāliem kosmoloģiskiem datiem, ieskaitot visus ar tiem saistītos praktiskos aspektus," sacīja Fluri. "Mēs varētu parādīt, ka mūsu metode rada konsekventus rezultātus salīdzinoši nelielā datu kopā. Mēs ceram izmantot to pašu metodi lielākiem novērojumiem, bet arī izmērīt vairāk kosmoloģisko parametru, lai pārbaudītu citus kosmoloģiskās fizikas aspektus. Visbeidzot, mēs ceram gūt jaunus ieskatus par [Visuma] tumšo sektoru.

Saskaņā ar Fluri teikto, komanda tagad ir pārgājusi ārpus KiDS-450 datu kopas, "jo tagad ir jaunākas un labākas datu kopas." Viens jo īpaši ir Tumšās enerģijas apsekojums, masveida redzama un gandrīz infrasarkano staru aptauja, ko veica pētniecības iestādes un universitātes no ASV, Brazīlijas, Apvienotās Karalistes, Vācijas, Spānijas un Šveices.

"Tomēr, pirms mēs varam analizēt jaunas datu kopas, mums ir jāpielāgo metode, lai tā varētu apstrādāt palielināto datu apjomu," sacīja Fluri. "Mēs šobrīd eksperimentējam ar dažām metodēm, lai to panāktu. Pēc tam mēs apspriedīsim nākamo datu kopu, kuru vēlamies analizēt. Es vēl nevaru jums norādīt laika grafiku, jo tas ir atkarīgs no izvēlētās datu kopas un simulāciju prasībām.

Papīrs, kurā aprakstīts darbs, bija nesen publicēts žurnālā Physical Review D.

Redaktoru ieteikumi

• Pētnieki vēlas izmantot gravitācijas viļņus, lai uzzinātu par tumšo vielu
• Kā skatīties Eiklida tumšās vielas teleskopa palaišanu šo sestdien
• Apdare: kā zinātnieki robotiem piešķir cilvēkiem līdzīgas taustes sajūtas
• Habls notver milzu galaktiku kopu, kas varētu mums palīdzēt izprast tumšo vielu
• Vai no tumšās vielas var veidoties supermasīvi melnie caurumi?