Un equipo de físicos e informáticos de ETH Zurich ha desarrollado un nuevo enfoque al problema de la materia oscura y la energía oscura en el universo. Usando herramientas de aprendizaje automático, programaron computadoras para que se enseñaran a sí mismos cómo extraer la información relevante de los mapas del universo.

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 clara nos da una idea de la magnitud del problema. y, sin embargo, eso es solo una parte de la historia. El acertijo más profundo radica 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 cuánto de esos dos hay para refinar sus modelos.

En ETH Zurich, Los científicos del Departamento de Física y el Departamento de Ciencias de la Computación ahora han unido fuerzas para mejorar los métodos estándar para estimar el contenido de materia oscura del universo a través de 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 Revisión física D .

Reconocimiento facial para cosmología

Si bien no hay rostros para reconocer en las imágenes tomadas del cielo nocturno, Los cosmólogos todavía buscan algo bastante similar, como Tomasz Kacprzak, investigador del grupo de Alexandre Refregier del Instituto de Física de Partículas y Astrofísica, explica:"Facebook usa sus algoritmos para encontrar ojos, bocas u oídos en imágenes; usamos el nuestro para buscar los signos reveladores de materia oscura y energía oscura ". Dado que 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 la trayectoria 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, Al igual que los objetos lejanos, aparecen borrosos en un día caluroso cuando la luz atraviesa capas de aire a diferentes temperaturas.

Los cosmólogos pueden usar esa distorsión para trabajar al revés y crear mapas masivos del cielo que muestren dónde se encuentra la materia oscura. Próximo, comparan esos mapas de materia oscura con predicciones teóricas para encontrar qué modelo cosmológico coincide más con los datos. Tradicionalmente, esto se hace utilizando estadísticas diseñadas por humanos, como las llamadas funciones de correlación que describen cómo las diferentes partes de los mapas se relacionan entre sí. Tales estadísticas, sin embargo, están limitados en cuanto a qué tan bien pueden encontrar patrones complejos en los mapas de materia.

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 el análisis estadístico apropiado nosotros mismos, 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, un doctorado estudiante en el grupo de Refregier y autor principal del estudio, utilizaron algoritmos de aprendizaje automático llamados redes neuronales artificiales profundas y les enseñaron a extraer la mayor cantidad posible de información de los mapas de materia oscura.

En un primer paso los científicos entrenaron las redes neuronales alimentándolas con datos generados por computadora 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 debe ser para cada mapa de materia oscura simulado. Analizando repetidamente los mapas de materia oscura, la red neuronal aprendió a buscar el tipo correcto de características en ellos y a extraer cada vez más de la información deseada. En la analogía de Facebook, mejoró para distinguir formas ovaladas aleatorias de ojos o bocas.

Más preciso que el análisis hecho por humanos

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

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 estas 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 Dark Energy Survey. También, más parámetros cosmológicos y refinamientos, como detalles sobre la naturaleza de la energía oscura, serán alimentados a las redes neuronales.