Ответ на вопрос, что скрывается за понятиями темной материи и темной энергии, позволил бы ученым составить более полную картину Вселенной, однако до сих пор все их усилия не увенчались успехом. Исследователи двух факультетов Швейцарской высшей технической школы, физики и информатики, объединили усилия, чтобы усовершенствовать стандартные методы оценки наличия темной материи во Вселенной при помощи искусственного интеллекта.

Оказалось, что у космологических данных, к которым они применили технологию машинного обучения, много общего с теми, которые используются для распознавания лиц на фотографиях в Facebook, пишет Phys.org.

Поскольку темную материю нельзя увидеть в телескопы, физики ищут косвенные свидетельства ее присутствия, основываясь на том, что всякая материя слегка искривляет траекторию движения лучей света, движущихся к Земле из далеких галактик. Этот эффект чуть-чуть искажает изображение галактик, делая их похожими на изображения далеких объектов в жаркий день.

На основании этих искажений астрофизики создают карты распределения темной материи и сравнивают их с теоретическими прогнозами, чтобы понять, какая космологическая модель точнее предсказывает полученные данные.

Обычно эту работу выполняют люди, которые не всегда могут заметить сложные закономерности в статистической информации. На этот раз ученые пошли совершенно иным путем.

Вместо того чтобы самим изобретать подходящий метод статистического анализа, они поручили эту работу нейронным сетям и научили их получать как можно больше информации из карт темной материи.

Результаты оказались обнадеживающими: точность нейросети была на 30% выше, чем у традиционных методов, основанных на статистическом анализе. Для космологов это огромный шаг вперед — одинаково высокого результата можно добиться при меньшем времени наблюдения, которое дорого стоит.

Когда обучение нейросети было полностью завершено, ученые использовали ее способности для полноценного анализа карт темной материи из набора данных KiDS-450.

«Впервые инструменты машинного обучения применялись в таком контексте, — рассказал Янис Флури, один из участников проекта, — и мы обнаружили, что глубокие нейронные сети позволяют нам получать больше информации из данных, чем предшествующие методы. Мы полагаем, что у такого применения машинного обучения в космологии большое будущее».  

Недавно группа ученых из США, Канады и Японии представила результат комбинированного подхода к представлению модели Вселенной, сочетающего достоинства аналитических рассуждений и численного моделирования. Они обучили сверточную нейросеть, которая сымитировала процесс формирования космической паутины.