معماهای عمیق تر در آنچه که نمی توانیم حداقل به طور مستقیم ببینیم نهفته است؛ در «ماده تاریک » و «انرژی تاریک».
کیهان شناسان تنها می دانند که ماده تاریک، جهان را به هم می زند و انرژی تاریک باعث می شود سریع‌تر گسترش یابد؛ اگر آنها درصدد اصلاح مدل‌های خود هستند لازم است بدانند که دقیقا چه مقدار از این دو ماده در جهان وجود دارد.
اکنون محققان در تلاشند تا روش های استاندارد را برای برآورد محتوای ماده تاریک جهان از طریق هوش مصنوعی بهبود بخشند.
آنها برای تجزیه و تحلیل داده های کیهان شناختی از الگوریتم های یادگیری ماشین برش استفاده کردند که اشتراکات بسیاری با موارد استفاده شده برای تشخیص چهره توسط فیس بوک و سایر رسانه های اجتماعی دارد.
تشخیص چهره کیهانی
از آنجایی که هیچ چهره ای برای تشخیص در عکس های گرفته شده از آسمان شب وجود ندارد، کیهان‌شناسان به دنبال چیزی نسبتاً مشابه هستند.
در همین راستا «توماس کاسپرژاک»، محقق گروه «الکساندر ریفیرگر» در انستیتوی فیزیک ذرات و اخترفیزیک دانشگاه ETH زوریخ می گوید: فیس بوک از این الگوریتم ها برای یافتن چشم، دهان و گوش در تصاویر استفاده می کند؛ اما ما از آنها استفاده می کنیم تا به دنبال علائم داستان ماده تاریک و انرژی تاریک باشیم.
از آنجا که ماده تاریک به طور مستقیم در تصاویر تلسکوپی مشاهده نمی شود، فیزیکدانان به این واقعیت تکیه می کنند که تمام ماده (از جمله انواع تاریکی ها) هنگامی که به مسیر پرتوهای نوری که از کهکشان های دوردست به زمین می رسند، اندکی خم می شود.
این تأثیر که به «لنزینگ گرانشی ضعیف» معروف است، تصاویر کهکشان ها را به صورت بسیار ظریفی تحریف و از شکل عادی خارج می کند که دقیقاً مانند اشیای دور از ذهن در یک روز گرم مبهم می شوند همان گونه که نور از لایه های هوا در دماهای مختلف عبور می کند.
کیهان شناسان می توانند از این اعوجاج برای «کار به عقب» ( کار کردن به عقب به معنای این است که ویژگی ها یا محصولات همیشه ارزش ذاتی خود را خواهند داشت؛ زیرا از حل یک مشکل خاص و ملموس ریشه می گیرند) استفاده کرده و نقشه های دسته جمعی از آسمان را ترسیم کرده و نشان دهند که ماده تاریک در کجاها قرار دارد.
در مرحله بعد، آنها نقشه های ماده تاریک را با پیش بینی های نظری مقایسه می کنند تا دریابند کدام مدل کیهان شناختی موجود بیشتر با داده ها مطابقت دارد.
به طور سنتی، این کار با استفاده از آمارهای انسانی طراحی شده از جمله عملکردهای به اصطلاح همبستگی انجام می شود که چگونگی ارتباط بخش های مختلف نقشه ها به یکدیگر را توصیف می کند. با این حال، آماری که می تواند چگونگی الگوهای پیچیده را در نقشه های ماده پیدا کند، بسیار محدود هستند.
رایانه هایی که خودشان یاد می گیرند
ریفیگر در این باره می گوید: در کار اخیر، ما از متدولوژی کاملاً جدیدی استفاده کرده ایم. به جای این که بتوانیم تحلیل آماری مناسب را خودمان اختراع کنیم، اجازه می دهیم تا کامپیوترها این کار را انجام دهند.
اینجاست که «آرولیین لوچی» و همکارانش از آزمایشگاه «Data Analytics » در بخش علوم کامپیوتر وارد پروژه می شوند. محققان به همراه نویسنده اصلی «جانیس فلوری»، دانشجوی دکتری در گروه ریفیگر، از الگوریتم های یادگیری ماشینی به نام شبکه های عصبی مصنوعی عمیق استفاده کرده و به آنها آموختند که بیشترین مقدار ممکن از اطلاعات را از نقشه های ماده تاریک استخراج کنند.
در مرحله اول، دانشمندان شبکه های عصبی را با تغذیه داده های تولید شده از رایانه که شبیه سازی جهان را نشان می دهد، آموزش دادند.
به این ترتیب آنها می دانستند که پاسخ صحیح برای یک پارامتر کیهانی شناسی معین (به عنوان مثال، نسبت بین مقدار کل ماده تاریک و انرژی تاریک) برای هر نقشه ماده تاریکی شبیه سازی شده چگونه باید باشد.
شبکه عصبی با تحلیل مکرر نقشه های ماده تاریک، به خود آموخت که به دنبال نوع مناسبی از ویژگی های موجود در آنها و استخراج بیشترین میزان مقدور از اطلاعات مورد نظر باشد که در قیاس با فیس بوک، نسبت به تشخیص تصادفی اشکال بیضی از چشم یا دهان بسیار بهتر از آب درآمد.
صحتی بالاتر از دقت انسان
نتایج آموزش به رایانه دلگرم کننده بود. شبکه های عصبی دارای مقادیر داده هایی 30درصد دقیق‌تر از اطلاعاتی بودند که از روش های سنتی مبتنی بر آنالیز آماری ساخته شده توسط انسان به دست می آمد.
از نظر کیهان شناسان، پیشرفت چشمگیر در دستیابی به داده هایی با چنین دقت و حساسیتی نیازمند به‌کارگیری تعداد زیادی از تصاویر تلسکوپ ها و همچنین دو برابر زمان صرف شده برای مشاهده و رصد دارد که گران تمام می شود.
سرانجام دانشمندان از شبکه عصبی کاملاً آموزش دیده خود، برای تحلیل نقشه های ماده تاریک واقعی از مجموعه داده های KiDS-450 استفاده کردند.
فلور می گوید: این اولین بار است که از چنین ابزارهای یادگیری ماشینی در این زمینه استفاده می شود و ما دریافتیم که شبکه عصبی مصنوعی عمیق ما را قادر می سازد تا نسبت به رویکردهای قبلی اطلاعات بیشتری از داده ها استخراج کنیم. ما معتقدیم که در آینده استفاده از یادگیری ماشین در کیهان شناسی کاربردهای بسیاری خواهد داشت.
در مرحله بعدی، وی و همکارانش قصد دارند روش خود را در مجموعه تصویرهای بزرگتر مانند بررسی انرژی تاریک به کار گیرند. همچنین آنها پارامترها و اصلاحات کیهانی بیشتری را مانند جزئیات مربوط به ماهیت انرژی تاریک به شبکه های عصبی ماشینی ارائه خواهند داد.
کشف ماهیت انرژی تاریک یکی از دلایل اصلی ساخت تلسکوپ ها و اکتشاف در فضای لایتناهی است؛ بشر با درک بهتر انرژی تاریک، درک بهتری از گذشته و تحولات آینده جهان خواهد داشت. دانشمندان دریافته‌اند که انرژی تاریک حدود 68 درصد از کل انرژی کیهان را تشکیل می‌دهد؛ اما تاکنون بشر اطلاعات کمی در مورد آن کسب کرده است.
منبع:ایسکا نیوز
انتهای پیام/