人工智能帮助天文学家探索宇宙，分析暗物质暗能量

人们在我们周围的宇宙中看到的一切恒星，行星，星系等等，总计不到宇宙的总质量和的5％。 暗物质和暗能量的本质构成了所有存在的一切，但是这些物质至今仍然是一个谜。

虽然暗物质将星系和星系团聚在一起，宇宙膨胀的速度不断增加，是暗能量为其提供了动力。 尽管天文学家可以看到这些现象，但无法直接观察到暗物质或暗能量，因此很难研究宇宙的这种物质构成。

天文学家看到暗物质影响的一种方法是研究大型物体通过的光的弯曲

“我们可以使用间接的方式来研究事物，例如看着阴影，并对造成阴影的原因进行有根据的猜测。 科学家间接研究暗物质的一种方法是使用重力透镜。 当来自遥远恒星的光穿过星系或星团时，存在于星系或星团中的物质的引力会导致光弯曲。

用人工智能探索宇宙天空

苏黎世联邦理工学院的物理学家和计算机科学工程师，现在正在利用人工智能来完善暗物质图。 通过使用类似于面部识别软件的人工智能，研究人员希望能够详细了解暗物质的聚集位置，来更好地理解这种现象。

因为看不到暗物质，所以天文学家寻找来自遥远物体（例如星系）的光，这些光在经过暗物质沉积时会弯曲。 这种光的弯曲称为弱引力透镜，会使背景物体的图像失真。

可以测量该失真，从而生成前景区域的重力图，从而揭示暗物质的存在。 将这些暗物质图谱与理论预测值进行比较，以确定哪种宇宙学模型最适合观测。

较低质量的星系团，例如子弹团（如子图所示），弱的引力透镜会使背景中物体的图像变形。

该分析中使用的机器学习算法类似于其他社交媒体应用程序使用的面部识别技术。

面部识别使用其算法来查找图像中的眼睛，嘴巴或耳朵； 我们用我们的粒子来寻找暗物质和暗能量的迹象。

传统上使用人为设计的统计数据（例如相关函数）来分析，但是此种分析方法在识别星系引力图中的复杂模式的能力方面受到限制。

“在我们最近的工作中，我们使用了一种全新的方法。科学家解释说，我们不需要自己发明统计数据分析，而是让计算机来完成这项工作。

您的实验室结果在……

为研究做好准备，神经网络中装有模拟宇宙的数据。 这些暗物质图由神经网络反复分析，该神经网络从数据中提取了尽可能多的信息。 随着时间的流逝，人工智能提高了识别和区分一项功能的能力。

神经网络最终产生的值比从人类统计中获得的值准确30％。 使用传统统计方法进行的类似改进将需要两倍的望远镜，而这可能很难（也很昂贵）。然而过全面训练的AI用于分析暗物质地图，以试图发现传统分析所丢失的细节。

科学家发现，与以前的方法相比，深度人工神经网络使我们能够从数据中提取更多信息。 我们相信，机器自我型学习方法，在宇宙学中的这种用途将在未来有很多应用。

暗物质控制着星系团MACS J0416.1–2403的中心，导致远处物体的引力透镜。

我们最熟悉的面部识别技术基于面部轮廓，测量和识别难以改变的方面，例如人眼之间的距离或下巴的形状。

这项技术类似于机场，边境口岸以及大型公共活动中使用的技术，是一种旨在识别太空暗物质的新工具。 随着时间的推移，这些神经网络将在更大的暗物质数据集上释放，例如暗能量调查。

宇宙的形成，演化和最终命运，是宇宙学和天体物理学中的一个重要课题。 了解暗物质（将物体拉在一起）和暗能量（将波斯菊推开）的影响，对于弄清宇宙的本质至关重要。