一種全新的方式來研究宇宙中的暗物質和暗能量

物理學家和計算機學家們開發(fā)了一種全新的方式來研究宇宙中的暗物質和暗能量，他們利用計算機學習工具，通過人工智能編程，讓計算機學會自己如何從宇宙地圖中提取相關信息。

理解我們的宇宙如何成為今天的樣子，以及它的最終命運是科學上最大的挑戰(zhàn)之一。在一個晴朗的夜晚，我們抬頭望向黑暗的天空，閃耀著光芒的星星像我們展示著令人驚嘆的宇宙之大，而這只是我們能夠看到的宇宙的一粒塵埃。更深的謎團在于我們看不到的東西，至少是我們不能直接看到的，它們就是神秘的暗物質和暗能量，隨著暗物質將宇宙聯(lián)系在一起，或者說將宇宙中所以的物質拉扯在一起，暗能量使宇宙膨脹得更快，科學家們需要知道這兩者之間到底有什么關系，以及有多少，才能去更好的完善它們的科學模型。

蘇黎世聯(lián)邦理工學院的物理學和計算機科學系的科學家們組成了科研組，通過改進人工智能估算宇宙暗物質含量的標準方法，他們使用尖端的計算機學習算法進行宇宙學數(shù)據(jù)分析。也就是我們常說的AI技術。他們將其命名為“宇宙學的面部識別”。

盡管在夜空中拍攝的宇宙照片中沒有真實的面部可以使識別，但是科學家們仍然在尋找類似的東西，美國天體物理研究所亞歷山大博士說：社交應用使用它的算法在圖像中識別人的眼睛、耳朵和嘴巴。我們使用我們的算法來尋找暗物質和暗能量的跡象，由于無法在望遠鏡圖像中直接看到暗物質。所以我們只能通過其他的途徑來解決這個問題。所以的物質，包括黑暗物質，都會稍微改變光線從遙遠星系到達地球的路徑，這種效應被稱之為“弱引力透鏡”，會非常微妙的扭曲這些星系的圖像。

宇宙學家們可以利用這種扭曲來逆向分析，并創(chuàng)建顯示暗物質位置的天空天體質量圖。接下來，他們將這些暗物質圖與理論預測值進行比較，以找出哪個宇宙模型最符合數(shù)據(jù)。但是這種統(tǒng)計數(shù)據(jù)的方式對于科學家們來說有很大的局限性，因為在復雜模式下這種技術的能力非常的有限。

在近期的工作中，科學家們使用了一種全新的方式，亞歷山大博士說：我們讓頂級計算機來完成這項工作，不再需要人工輔助對比。我們使用了稱之為“深層人工神經(jīng)網(wǎng)絡的計算機學習算法”。并教會它們從暗物質地圖中提取盡可能多的數(shù)據(jù)和信息。

首先，科學家們通過向神經(jīng)網(wǎng)絡輸入模擬宇宙的數(shù)據(jù)來訓練它們。這樣它們就知道了給定宇宙學參數(shù)（例如：暗物質總量與暗能量之間的比率）的正確答案。通過反復分析暗物質圖，神經(jīng)網(wǎng)絡會自己尋找合適的特征并提取越來越多的所需信息。

對深層人工神經(jīng)網(wǎng)絡的訓練結果是令人滿意的，與基于人工統(tǒng)計分析的傳統(tǒng)方法所獲得的數(shù)據(jù)相比，神經(jīng)網(wǎng)絡的準確度高出30%。同時提取數(shù)據(jù)的效率成幾何倍的增長。對于宇宙學來說，這是一個巨大的進步。

在傳統(tǒng)模式下，想要達到相同的精度，就需要增加望遠鏡的規(guī)模，同時需要更多的觀測與數(shù)據(jù)對比時間，這里的經(jīng)濟成本和人力成本都將會非常的高。

最后，科學家們用他們訓練有素的神經(jīng)網(wǎng)絡分析了KiDS-450數(shù)據(jù)集的實際暗物質圖，這是首次使用神經(jīng)網(wǎng)絡學習工具投入真實的工作當中。

科學家稱：我們發(fā)現(xiàn)，深層人工神經(jīng)網(wǎng)絡能夠大幅地提升我們的工作效率。這得以讓我們有更多的時間去進行關于暗物質和暗能量的其他研究，而不是將大把時間花費在對比數(shù)據(jù)之上。