|
蘇黎世聯(lián)邦理工學(xué)院物理學(xué)家和計算機科學(xué)家開發(fā)了一種新方法，用來解決宇宙中的暗物質(zhì)和暗能量問題?？茖W(xué)家使用機器學(xué)習(xí)工具，對計算機進(jìn)行編程，以自學(xué)如何從宇宙地圖中提取相關(guān)信息。了解宇宙是如何變成今天的樣子，以及它的最終命運是什么，是科學(xué)中最大的挑戰(zhàn)之一。在晴朗的夜晚，無數(shù)星星令人敬畏，不禁讓我們對問題的嚴(yán)重性有了一些了解，但這只是故事的一部分。更深層次的謎團在于我們看不到的東西，至少不是直接看到的：暗物質(zhì)和暗能量。 隨著暗物質(zhì)將宇宙拉到一起，暗能量使宇宙膨脹得更快，宇宙學(xué)家需要確切地知道這兩種神秘物質(zhì)中有多少存在，以便完善他們的模型。在蘇黎世聯(lián)邦理工學(xué)院，來自物理系和計算機科學(xué)系的科學(xué)家們現(xiàn)在聯(lián)手改進(jìn)了通過人工智能估計宇宙暗物質(zhì)含量的標(biāo)準(zhǔn)方法。使用尖端的機器學(xué)習(xí)算法進(jìn)行宇宙學(xué)數(shù)據(jù)分析，這些算法與Facebook和其他社交媒體用于面部識別的算法有很多共同之處，其研究結(jié)果發(fā)表在科學(xué)期刊《物理評論D》上。雖然在拍攝的夜空照片中沒有“人臉”可供識別，但宇宙學(xué)家仍然在尋找類似的東西。
用于宇宙學(xué)的面部識別
正如粒子物理和天體物理研究所Alexandre Refregier小組研究員Tomasz Kacprzak所解釋的那樣：Facebook使用其算法在圖像中找到眼睛、嘴巴或耳朵；而科學(xué)家用來尋找暗物質(zhì)和暗能量的跡象。由于暗物質(zhì)不能直接在望遠(yuǎn)鏡圖像中看到，物理學(xué)家們依賴于這樣一個事實：所有物質(zhì)（包括暗物質(zhì)）都略微彎曲了從遙遠(yuǎn)星系到達(dá)地球的光線的路徑。這種被稱為“弱引力透鏡效應(yīng)”的效應(yīng)非常微妙地扭曲了這些星系的圖像。就像炎熱的一天，當(dāng)光線穿過不同溫度的空氣層時，遙遠(yuǎn)的物體看起來模糊了。 宇宙學(xué)家可以利用這種扭曲向后工作，并創(chuàng)建顯示暗物質(zhì)所在位置的天空質(zhì)量圖。接下來，將這些暗物質(zhì)映射與理論預(yù)測進(jìn)行比較，以找出哪個宇宙學(xué)模型與數(shù)據(jù)最匹配。傳統(tǒng)上，這是使用人工設(shè)計的統(tǒng)計數(shù)據(jù)完成，例如描述地圖不同部分如何相互關(guān)聯(lián)的所謂相關(guān)函數(shù)。然而，這樣的統(tǒng)計數(shù)據(jù)對于在物質(zhì)地圖中找到復(fù)雜模式的能力有限。在新研究中，使用了一種全新的方法，研究人員不是自己發(fā)明適當(dāng)?shù)慕y(tǒng)計分析，而是讓計算機來做這項工作。這就是計算機科學(xué)系數(shù)據(jù)分析實驗室的Aurelen Lucchi和同事們的用武之地。 與Refregier團隊的博士生、該研究的主要作者Janis Fluri一起，使用了稱為深層人工神經(jīng)網(wǎng)絡(luò)的機器學(xué)習(xí)算法，并教人工智能從暗物質(zhì)地圖中提取盡可能多的信息。在第一步，科學(xué)家通過向提供計算機生成的模擬宇宙的數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。這樣，就知道對于給定的宇宙學(xué)參數(shù)，例如暗物質(zhì)總量和暗能量之間的比率，正確答案應(yīng)該是每個模擬的暗物質(zhì)圖。通過反復(fù)分析暗物質(zhì)圖，神經(jīng)網(wǎng)絡(luò)學(xué)會了在其中尋找正確的特征，并提取越來越多的所需信息。在Facebook的類比中，它更好地區(qū)分了隨機的橢圓形形狀和眼睛或嘴巴。 這種訓(xùn)練的結(jié)果是令人鼓舞的：神經(jīng)網(wǎng)絡(luò)得出的精確度值，比基于人工統(tǒng)計分析的傳統(tǒng)方法獲得的值高出30%。對于宇宙學(xué)家來說，這是一個巨大的進(jìn)步，因為通過增加望遠(yuǎn)鏡圖像的數(shù)量來達(dá)到同樣精確度需要兩倍的觀察時間，這是很昂貴的。最后，科學(xué)家們使用訓(xùn)練有素的神經(jīng)網(wǎng)絡(luò)分析了來自實際暗物質(zhì)450個數(shù)據(jù)集。這是這種機器學(xué)習(xí)工具第一次被用于這一領(lǐng)域，研究發(fā)現(xiàn)，深度人工神經(jīng)網(wǎng)絡(luò)使我們能夠從數(shù)據(jù)中提取比以前方法更多的信息。相信，機器學(xué)習(xí)在宇宙學(xué)中的這種使用將會有很多未來的應(yīng)用。 博科園｜研究/來自：蘇黎世聯(lián)邦理工學(xué)院 參考期刊《物理評論D》 DOI: 10.1103/PhysRevD.100.063514 博科園｜科學(xué)、科技、科研、科普 |
|
|
