L'intelligenza artificiale esplora la materia oscura dell'universo
Un team di fisici e informatici dell'ETH di Zurigo ha sviluppato un nuovo approccio al problema della materia oscura e dell'energia oscura nell'universo. Utilizzando strumenti di apprendimento automatico, hanno programmato i computer per insegnare loro stessi a estrarre informazioni rilevanti dalle mappe celesti.
![Mappa di massa della materia oscura](/de/news-und-veranstaltungen/eth-news/news/2019/09/kuenstliche-intelligenz-erforscht-dunkle-materie-im-universum/_jcr_content/news_content/fullwidthimage/image.imageformat.930.1028622959.jpg)
Scoprire come il nostro universo sia diventato quello che è oggi e quale destino lo attenda un giorno è una delle più grandi sfide della scienza. Lo spettacolo impressionante delle innumerevoli stelle in una notte limpida ci dà un'idea della portata del problema, ma questa è solo una parte della storia. Il mistero più grande sta in ciò che non possiamo vedere, almeno non direttamente: la materia oscura e l'energia oscura. Poiché la materia oscura tiene insieme l'universo e l'energia oscura lo fa espandere, i cosmologi hanno bisogno di sapere con esattezza quanta materia di entrambi i tipi c'è in giro per perfezionare i loro modelli.
Gli scienziati del Dipartimento di fisica e del Dipartimento di informatica dell'ETH di Zurigo hanno unito le forze per utilizzare l'intelligenza artificiale e migliorare i metodi standard per stimare la quantità di materia oscura nell'universo. Hanno utilizzato algoritmi innovativi di apprendimento automatico che hanno molto in comune con quelli utilizzati da Facebook e altri social media per il riconoscimento facciale. I risultati sono stati recentemente pubblicati sulla rivista pagina esternaPhysical Review D pubblicato.
Riconoscimento dei volti per la cosmologia
Anche se non ci sono volti da riconoscere nelle immagini del cielo notturno, i cosmologi stanno cercando qualcosa di molto simile, come spiega Thomas Kacprzak, ricercatore del gruppo di Alexandre Refregier presso l'Istituto di fisica delle particelle e astrofisica: "Facebook usa i suoi algoritmi per trovare occhi, bocche o orecchie nelle immagini; noi abbiamo usato i nostri per cercare i segni caratteristici della materia oscura e dell'energia oscura".
Poiché la materia oscura non è direttamente visibile nelle immagini dei telescopi, la fisica ritiene che tutta la materia - compresa quella oscura - pieghi leggermente il percorso dei raggi di luce che arrivano sulla Terra da galassie lontane. Questo meccanismo, noto come "effetto di lente gravitazionale debole", distorce sottilmente le immagini delle galassie, proprio come gli oggetti lontani appaiono sfocati quando la luce attraversa strati d'aria a temperature diverse in una giornata calda.
I cosmologi possono sfruttare questa distorsione e calcolare a ritroso per creare mappe di massa che mostrano dove si trova la materia oscura. Quindi confrontano queste mappe di massa della materia oscura con le previsioni teoriche per trovare il modello cosmologico che meglio si adatta ai dati. Normalmente, a questo scopo si utilizzano quantità statistiche sviluppate dall'uomo, come le cosiddette funzioni di correlazione, che descrivono come le diverse parti delle mappe di massa si relazionano tra loro. Tuttavia, tali quantità sono di uso limitato quando si tratta di trovare modelli complessi nelle mappe di massa.
Le reti neurali imparano da sole
"Nel nostro ultimo lavoro abbiamo utilizzato un metodo completamente nuovo", spiega Alexandre Refregier. "Invece di inventare noi stessi un'analisi statistica adeguata, abbiamo lasciato questo lavoro ai computer". ? qui che entrano in gioco Aurélien Lucchi e i suoi colleghi del Data Analytics Lab del Dipartimento di informatica. Insieme a Janis Fluri, dottorando del gruppo di Refregier e primo autore dello studio, hanno utilizzato algoritmi di apprendimento automatico noti come reti neurali artificiali profonde e hanno insegnato loro a estrarre quante più informazioni possibili dalle mappe di massa della materia oscura.
![Rete neurale](/de/news-und-veranstaltungen/eth-news/news/2019/09/kuenstliche-intelligenz-erforscht-dunkle-materie-im-universum/_jcr_content/news_content/fullwidthimage_371797022/image.imageformat.930.236769202.jpg)
In una prima fase, gli scienziati hanno addestrato le reti neurali alimentandole con dati generati al computer che simulavano l'universo. In questo modo, hanno conosciuto in anticipo la risposta corretta per un particolare parametro cosmologico - ad esempio, il rapporto tra materia oscura totale ed energia oscura - per ciascuna delle mappe di massa simulate. Analizzando ripetutamente le mappe di massa, la rete neurale ha imparato a cercare le strutture giuste e a estrarre sempre più informazioni. Nel confronto con Facebook, è diventata sempre più brava a distinguere forme ovali casuali da occhi o bocche.
Analisi più accurate di quelle fatte dall'uomo
I risultati dell'addestramento sono stati incoraggianti: le reti neurali hanno trovato valori più precisi del 30% rispetto a quelli ottenuti con metodi convenzionali basati su statistiche create dall'uomo. Si tratta di un enorme miglioramento per i cosmologi, poiché per ottenere la stessa precisione con un numero maggiore di immagini dei telescopi sarebbe necessario il doppio del tempo di osservazione, il che è costoso.
Infine, gli scienziati hanno utilizzato la loro rete neurale ben addestrata per analizzare le mappe di massa della materia oscura reali del dataset KiDS-450. "? la prima volta che strumenti di apprendimento automatico di questo tipo vengono utilizzati in questo contesto", afferma Fluri, "e abbiamo visto che la rete neurale artificiale profonda ci permette di estrarre più informazioni dai dati rispetto ai metodi precedenti. Crediamo che questo uso dell'apprendimento automatico avrà molte altre applicazioni in futuro".
Come prossimo passo, lui e i suoi colleghi intendono applicare il loro metodo a serie di dati più ampie, come la Dark Energy Survey. Inoltre, le reti neurali saranno alimentate da un maggior numero di parametri cosmologici e da ulteriori perfezionamenti, come i dettagli sulla natura dell'energia oscura.
Riferimento alla letteratura
Fluri J, Kacprzak T, Lucchi A, Refregier A, Amara A, Hofmann T, Schneider A: Vincoli cosmologici con l'apprendimento profondo dalle mappe di lente debole KiDS-450. Physical Review D. 100: 063514, doi: pagina esterna10.1103/PhysRevD.100.063514