苏黎世联邦理工学院物理学家和计算机科学家开发了一种新方法，用来解决宇宙中的暗物质和暗能量问题。科学家使用机器学习工具，对计算机进行编程，以自学如何从宇宙地图中提取相关信息。了解宇宙是如何变成今天的样子，以及它的最终命运是什么，是科学中最大的挑战之一。在晴朗的夜晚，无数星星令人敬畏，不禁让我们对问题的严重性有了一些了解，但这只是故事的一部分。更深层次的谜团在于我们看不到的东西，至少不是直接看到的：暗物质和暗能量。
随着暗物质将宇宙拉到一起，暗能量使宇宙膨胀得更快，宇宙学家需要确切地知道这两种神秘物质中有多少存在，以便完善他们的模型。在苏黎世联邦理工学院，来自物理系和计算机科学系的科学家们现在联手改进了通过人工智能估计宇宙暗物质含量的标准方法。使用尖端的机器学习算法进行宇宙学数据分析，这些算法与Facebook和其他社交媒体用于面部识别的算法有很多共同之处，其研究结果发表在科学期刊《物理评论D》上。虽然在拍摄的夜空照片中没有“人脸”可供识别，但宇宙学家仍然在寻找类似的东西。
用于宇宙学的面部识别
正如粒子物理和天体物理研究所Alexandre Refregier小组研究员Tomasz Kacprzak所解释的那样：Facebook使用其算法在图像中找到眼睛、嘴巴或耳朵；而科学家用来寻找暗物质和暗能量的迹象。由于暗物质不能直接在望远镜图像中看到，物理学家们依赖于这样一个事实：所有物质（包括暗物质）都略微弯曲了从遥远星系到达地球的光线的路径。这种被称为“弱引力透镜效应”的效应非常微妙地扭曲了这些星系的图像。就像炎热的一天，当光线穿过不同温度的空气层时，遥远的物体看起来模糊了。
宇宙学家可以利用这种扭曲向后工作，并创建显示暗物质所在位置的天空质量图。接下来，将这些暗物质映射与理论预测进行比较，以找出哪个宇宙学模型与数据最匹配。传统上，这是使用人工设计的统计数据完成，例如描述地图不同部分如何相互关联的所谓相关函数。然而，这样的统计数据对于在物质地图中找到复杂模式的能力有限。在新研究中，使用了一种全新的方法，研究人员不是自己发明适当的统计分析，而是让计算机来做这项工作。这就是计算机科学系数据分析实验室的Aurelen Lucchi和同事们的用武之地。
与Refregier团队的博士生、该研究的主要作者Janis Fluri一起，使用了称为深层人工神经网络的机器学习算法，并教人工智能从暗物质地图中提取尽可能多的信息。在第一步，科学家通过向提供计算机生成的模拟宇宙的数据来训练神经网络。这样，就知道对于给定的宇宙学参数，例如暗物质总量和暗能量之间的比率，正确答案应该是每个模拟的暗物质图。通过反复分析暗物质图，神经网络学会了在其中寻找正确的特征，并提取越来越多的所需信息。在Facebook的类比中，它更好地区分了随机的椭圆形形状和眼睛或嘴巴。
这种训练的结果是令人鼓舞的：神经网络得出的精确度值，比基于人工统计分析的传统方法获得的值高出30%。对于宇宙学家来说，这是一个巨大的进步，因为通过增加望远镜图像的数量来达到同样精确度需要两倍的观察时间，这是很昂贵的。最后，科学家们使用训练有素的神经网络分析了来自实际暗物质450个数据集。这是这种机器学习工具第一次被用于这一领域，研究发现，深度人工神经网络使我们能够从数据中提取比以前方法更多的信息。相信，机器学习在宇宙学中的这种使用将会有很多未来的应用。
博科园｜研究/来自：苏黎世联邦理工学院
参考期刊《物理评论D》
DOI: 10.1103/PhysRevD.100.063514
