Kan samma teknik som är van vid låsa upp människors smartphones också hjälpa till att låsa upp universums hemligheter? Det kan låta osannolikt, men det är precis vad forskare från Schweiz vetenskaps- och teknikfokuserade universitet ETH Zürich arbetar för att uppnå.
Innehåll
- Mörk materia spelar roll
- Svag gravitationslins till undsättning
- Extrahera de kosmologiska parametrarna
- En kosmologisk A.I.
Att använda en variant av typen av artificiell intelligens neurala nätverk bakom dagens ansiktsigenkänning teknologi har de utvecklat nya A.I. verktyg som skulle kunna bevisa en game-changer i upptäckten av sk “mörk materia.” Fysiker tror att förståelse av detta mystiska ämne är nödvändigt för att förklara grundläggande frågor om universums underliggande struktur.
Rekommenderade videor
"Algorithmen vi [använder] är mycket nära det som vanligtvis används inom ansiktsigenkänning," Janis Fluri, en doktorsexamen Student som arbetar i ett ETH Zürich-labb fokuserat på att tillämpa neurala nätverk på kosmologiska problem, berättade för Digital Trends. "Skönheten med A.I. är att den kan lära sig av i princip vilken data som helst. I ansiktsigenkänning lär den känna igen ögon, mun och näsa, samtidigt som vi letar efter strukturer som ger oss tips om mörk materia. Denna mönsterigenkänning är i huvudsak kärnan i algoritmen. I slutändan anpassade vi det bara för att sluta oss till de underliggande kosmologiska parametrarna."
Mörk materia spelar roll
Men vad är det egentligen som forskarna är ute efter? Just nu är det inte helt känt. Men som USA: s högsta domstolsdomare Potter Stewart minnesvärt sa om obscenitet, "Jag vet det när jag ser det." Eller snarare, vi kommer inte att göra det - för det kan inte ses. Men forskarna kommer att veta det när de har hittat det. Välkommen till mörk materias konstiga värld.
Förekomsten av mörk materia i någon form har antagits i över ett sekel. Det tros stå för cirka 27 % av universum, vilket uppväger synlig materia med ett förhållande på ungefär sex till en. Allt i universum som vi kan upptäcka - all atommateria som utgör galaxer, stjärnor, planeter, liv på jorden, enheten som du läser den här artikeln om - är bara en liten, liten bråkdel av allt som existerar. Den överväldigande huvuddelen av det kan inte spåras direkt. Den är osynlig och kan passera rakt genom vanlig synlig materia.
Istället är dess existens baserad på våra observationer om hur universum fungerar; som en hemmakompis du aldrig ser men är säker på att den existerar eftersom deras hälften av räkningarna betalas och någon använder duschen då och då när du vill. Bara i det här fallet beror det på att forskare har räknat ut att hastigheten med vilken galaxerna roterar är tillräckligt snabbt att de inte kunde hållas samman enbart av gravitationen som genereras av observerbara materia. Mörk materia antas därför vara de hemliga ingredienserna som ger dessa galaxer den extra massa de behöver för att inte slita sönder sig själva som en självmordspåse. Det är det som driver normal materia i form av damm och gas att samlas och samlas till stjärnor och galaxer.
Svag gravitationslins till undsättning
Att leta efter något som inte går att titta på låter svårt. Det är. Men det finns ett sätt som forskare kan peka ut var de tror att mörk materia är mest sannolikt belägen. De gör detta genom att titta på de subtila sätt som ljuset som gravitationen hos stora galaxhopar böjer och förvränger ljuset från mer avlägsna galaxer. Detta kallas svag gravitationslinsning.
Genom att observera områdena runt massiva galaxhopar kan astronomer identifiera bakgrundsgalaxer som verkar skeva. Genom omvänd konstruktion av dessa förvrängningar kan de sedan isolera där de tror att de tätaste koncentrationerna av materia, både synliga och osynliga, kan hittas. Tänk på det som hägringeffekten som gör att bilder på avstånd blir suddiga och skimrande en varm dag - bara en hel del längre bort.
"Tidigare skulle man studera kartor med svag linsmassa genom att manuellt välja relevanta funktioner," förklarade Janis Fluri. "Detta är en mycket komplicerad uppgift och det finns inga garantier för att de valda funktionerna innehåller all relevant information. Vi löser detta problem med A.I. närma sig. De konvolutionella neurala nätverk som används i vårt arbete utmärker sig vid mönsterigenkänning.”
Ett konvolutionellt neuralt nätverk är en typ av hjärninspirerad artificiell intelligens som ofta används för bildklassificeringsuppgifter. Medan dess neuroner fortfarande har de inlärbara vikterna och fördomarna som konventionella neurala nätverk (dvs de saker som gör att den kan lär), dess uttryckliga antagande att det handlar om bilder eftersom indata gör det möjligt för dess skapare att minska antalet parametrar i nätverk. Detta gör det mer effektivt.
"Detta var den första ansökan av A.I. för riktiga kosmologiska data, inklusive alla praktiska aspekter som kommer med det."
"I grova drag, [det fungerar genom att vi förser nätverken] med en stor mängd data, de skapar automatiskt en uppsättning komplexa filter för att extrahera relevant information från kartorna." Dr Tomasz Kacprzak, en av de andra medförfattarna till projektet, berättade för Digital Trends. "Då försöker den kombinera dessa filter optimalt för att ge ett så exakt svar som möjligt."
Extrahera de kosmologiska parametrarna
Forskarna tränade sitt neurala nätverk genom att mata det datorgenererad data som simulerar universum. Detta gjorde det möjligt för den att upprepade gånger analysera kartor av mörk materia för att kunna extrahera "kosmologiska parametrar" från verkliga bilder av natthimlen. Resultaten visade förbättringar på 30 % jämfört med traditionella metoder, baserade på mänskligt skapad statistisk analys.
"A.I. Algoritmen behöver mycket data för att lära sig i träningsfasen,” fortsatte Fluri. ”Det är mycket viktigt att dessa träningsdata, i vårt fall simuleringar, är så korrekta som möjligt. Annars lär den sig funktioner som inte finns i verklig data. För att göra detta var vi tvungna att generera många stora och exakta simuleringar, vilket var mycket utmanande. Efteråt var vi tvungna att justera algoritmen för att uppnå toppprestanda. Detta gjordes genom att testa flera nätverksarkitekturer för att optimera prestandan.”
De använde sedan sitt fullt utbildade neurala nätverk för att analysera faktiska kartor av mörk materia. Dessa kom från den sk KiDS-450 dataset, gjord med hjälp av VLT Survey Telescope (VST) i Chile. Datauppsättningen täcker en total yta på cirka 2 200 gånger så stor som fullmånen. Den innehåller register över cirka 15 miljoner galaxer.
På grund av denna extraordinära mängd data behövde forskarna en superdator för att sätta sin artificiella intelligens i verket. De körde till slut sin A.I. på en dator på Swiss National Supercomputing Center i Lugano, en stad i södra Schweiz som gränsar till Italien. Superdatorerna på CSCS är tillgängliga för alla schweiziska universitet och forskningsinstitutioner. Dess maskiner är så kraftfulla att för att förhindra att de överhettas, vatten från den närliggande Luganosjön pumpas in för kylning med en hastighet av 460 liter per sekund.
En kosmologisk A.I.
"Detta var den första ansökan av A.I. för riktiga kosmologiska data, inklusive alla praktiska aspekter som kommer med det, säger Fluri. "Vi skulle kunna visa att vår metod ger konsekventa resultat på en relativt liten datamängd. Vi hoppas kunna använda samma metod på större observationer, men också mäta fler kosmologiska parametrar för att undersöka andra aspekter av kosmologisk fysik. Slutligen hoppas vi att lära oss nya insikter om [den] mörka sektorn av universum."
Enligt Fluri har teamet nu gått bortom KiDS-450-datauppsättningen, "eftersom det finns nyare och bättre datauppsättningar nu." En i synnerhet är Dark Energy Survey, en storskalig synlig och nära-infraröd undersökning utförd av forskningsinstitutioner och universitet från USA, Brasilien, Storbritannien, Tyskland, Spanien och Schweiz.
"Innan vi kan analysera nya datamängder måste vi dock anpassa metoden så att den kan hantera den ökade datavolymen," sa Fluri. "Vi experimenterar för närvarande med några metoder för att uppnå det. Därefter kommer vi att diskutera nästa dataset vi vill analysera. Jag kan inte ge dig en tidsskala ännu, eftersom den beror på den valda datamängden och kraven för simuleringarna."
Ett papper som beskrev arbetet var nyligen publicerad i tidskriften Physical Review D.
Redaktörens rekommendationer
- Forskare vill använda gravitationsvågor för att lära sig om mörk materia
- Hur man ser hur Euklids mörk materieteleskop lanseras på lördag
- Finishing touch: Hur forskare ger robotar mänskliga taktila sinnen
- Hubble fångar gigantiska galaxhop som kan hjälpa oss att förstå mörk materia
- Kan supermassiva svarta hål bildas från mörk materia?
