La inteligencia artificial sondea la materia oscura en el universo

Este es un mapa típico de materia oscura generado por computadora utilizado por los investigadores para entrenar la red neuronal. Crédito: ETH Zurich.

Comprender cómo nuestro universo llegó a ser lo que es hoy y cuál será su destino final es uno de los mayores desafíos de la ciencia. La impresionante exhibición de innumerables estrellas en una noche despejada nos da una idea de la magnitud del problema y, sin embargo, eso es solo una parte de la historia. El enigma más profundo reside en lo que no podemos ver, al menos no directamente: materia oscura y energía oscura. Con la materia oscura uniendo el universo y la energía oscura haciendo que se expanda más rápido, los cosmólogos necesitan saber exactamente qué cantidad de estas dos hay para afinar sus modelos. 

En la ETH de Zurich, los científicos del Departamento de Física y del Departamento de Ciencias de la Computación han unido sus fuerzas para mejorar los métodos estándar para estimar el contenido de materia oscura del universo mediante la inteligencia artificial. Utilizaron algoritmos de aprendizaje automático de vanguardia para el análisis de datos cosmológicos que tienen mucho en común con los utilizados para el reconocimiento facial por Facebook y otras redes sociales. Sus resultados han sido publicados recientemente en la revista científica Physical Review D . 

Reconocimiento facial para cosmología.

Si bien no hay rostros que se reconozcan en las imágenes tomadas del cielo nocturno, los cosmólogos aún buscan algo bastante similar, como explica Tomasz Kacprzak, investigador del grupo Alexandre Refregier en el Instituto de Física y Astrofísica de Partículas: sus algoritmos para encontrar ojos, bocas u oídos en imágenes; usamos los nuestros para buscar signos reveladores de materia oscura y energía oscura". Como la materia oscura no se puede ver directamente en las imágenes del telescopio, los físicos confían en el hecho de que toda la materia, incluida la variedad oscura, dobla ligeramente el camino de los rayos de luz que llegan a la Tierra desde galaxias distantes. Este efecto, conocido como "lente gravitacional débil", distorsiona las imágenes de esas galaxias muy sutilmente, 

Los cosmólogos pueden usar esa distorsión para trabajar hacia atrás y crear mapas masivos del cielo que muestren dónde se encuentra la materia oscura. Luego, comparan esos mapas de materia oscura con predicciones teóricas para encontrar qué modelo cosmológico coincide más con los datos. Tradicionalmente, esto se realiza utilizando estadísticas diseñadas por humanos, como las llamadas funciones de correlación que describen cómo se relacionan entre sí las diferentes partes de los mapas. Sin embargo, estas estadísticas están limitadas en cuanto a lo bien qué pueden encontrar patrones complejos en los mapas de materias. 

Las redes neuronales se enseñan a sí mismas 

"En nuestro trabajo reciente, hemos utilizado una metodología completamente nueva", dice Alexandre Refregier. "En lugar de inventar nosotros mismos el análisis estadístico apropiado, dejamos que las computadoras hagan el trabajo". Aquí es donde entran Aurelien Lucchi y sus colegas del Laboratorio de Análisis de Datos del Departamento de Ciencias de la Computación. Junto con Janis Fluri, estudiante de doctorado en el grupo de Refregier y autor principal del estudio, utilizaron algoritmos de aprendizaje automático llamados redes neuronales artificiales profundas y les enseñó a extraer la mayor cantidad posible de información de los mapas de materia oscura. 

Una vez que la red neuronal ha sido entrenada, puede usarse para extraer parámetros cosmológicos de imágenes reales del cielo nocturno. (Visualizaciones: ETH Zurich).

En un primer paso, los científicos entrenaron las redes neuronales al proporcionarles datos generados por ordenador que simulan el universo. De esa manera, sabían cuál era la respuesta correcta para un parámetro cosmológico dado, por ejemplo, la relación entre la cantidad total de materia oscura y energía oscura, debería ser para cada mapa simulado de materia oscura. Al analizar repetidamente los mapas de materia oscura, la red neuronal se enseñó a sí misma a buscar el tipo correcto de características en ellos y a extraer cada vez más la información deseada. En la analogía de Facebook, se mejoró en distinguir formas ovaladas aleatorias de los ojos o la boca. 

Más preciso que el análisis hecho por el hombre

Los resultados de esa capacitación fueron alentadores: las redes neuronales obtuvieron valores 30% más precisos que los obtenidos por métodos tradicionales basados ​​en análisis estadísticos hechos por el hombre. Para los cosmólogos, eso es una gran mejora, ya que alcanzar la misma precisión al aumentar el número de imágenes del telescopio requeriría el doble de tiempo de observación, lo cual es costoso. 

Finalmente, los científicos utilizaron su red neuronal totalmente entrenada para analizar mapas reales de materia oscura del conjunto de datos KiDS-450. "Esta es la primera vez que se utilizan herramientas de aprendizaje automático en este contexto", dice Fluri, "y descubrimos que la red neuronal artificial profunda nos permite extraer más información de los datos que los enfoques anteriores. Creemos que este uso del aprendizaje automático en cosmología tendrá muchas aplicaciones futuras ". 

Como siguiente paso, él y sus colegas planean aplicar su método a conjuntos de imágenes más grandes, como el Dark Energy Survey. Además, más parámetros cosmológicos y refinamientos, como detalles sobre la naturaleza de la energía oscura, se alimentarán a las redes neuronales. 

Referencia:

Fluri J, Kacprzak T, Lucchi A, Refregier A, Amara A, Hofmann T, Schneider A: restricciones cosmológicas con aprendizaje profundo de los mapas de lentes débiles KiDS-450. Physical Review D . 100: 063514, doi: 10.1103 / PhysRevD.100.063514

Fuente: ETH Zurich,