Одна из самых больших проблем в науке — понять, какова наша Вселенная сегодня и какова ее окончательная судьба. Удивительное зрелище бесчисленных звезд в ясную ночь дает нам некоторое представление о масштабах проблемы, но это только часть истории. Глубочайшее значение заключается в том, что мы не можем видеть, по крайней мере, непосредственно темной материи и темной энергии. Поскольку темная материя стягивает Вселенную воедино, а темная сила быстро расширяется, космологи должны точно знать, сколько этих двух факторов у них есть, чтобы улучшить свои модели.

Распознавание лиц для космологии:

Хотя на ночном небе нет лиц, космологи все еще ищут что-то похожее. Facebook использует глаза, рот или уши на изображениях, которые мы используем для поиска признаков темной материи и темной энергии. Этот эффект, известный как «слабое гравитационное линзирование», искажает изображения этих галактик, заставляя удаленные объекты казаться затемненными при высоких температурах, а свет проходит через слои воздуха при разных температурах.

Космологи могут устранить это искажение и создать массовые карты неба, показывающие, где находится темная материя. Затем они сравнивают карты темной материи с теоретическими предсказаниями, чтобы выяснить, какая космологическая модель лучше всего соответствует данным. Традиционно это делается с помощью созданных человеком статистических данных, называемых функциями корреляции, которые описывают, как разные части карты связаны друг с другом. Однако такая статистика ограничивает степень обнаружения сложных закономерностей на картах материалов.

Гораздо точнее, чем искусственный анализ:

Результаты этого обучения были обнадеживающими, нейронные сети развивались на 30% точнее, чем обычные методы, основанные на искусственном статистическом анализе. Для космологов достижение той же точности за счет увеличения количества изображений телескопа является огромным улучшением, которое требует в два раза больше времени наблюдения, а это дорого.

Наконец, ученые использовали свою полностью обученную нейронную сеть для анализа реальных карт темной материи из набора данных KDS-450. Это первый раз, когда такие инструменты машинного обучения использовались в этом контексте и обнаружили, что более глубокая искусственная нейронная сеть позволяет извлекать больше данных из предыдущих методов. Эта практика будет иметь множество применений в будущем машинного обучения в космологии.

В качестве следующего шага он и его коллеги планируют применить свой метод к большим наборам изображений, таким как Исследование темной энергии. Кроме того, нейронным сетям можно присвоить больше космологических параметров и уточнений, таких как подробности о природе темной энергии.