了解我们的宇宙如何成为今天的样子以及它的最终命运将是科学上的最大挑战之一。在晴朗的夜晚令人敬畏的无数星星的显示使我们对问题的严重性有了一定的了解，但这只是故事的一部分。更深层的谜语在于我们看不到的东西，至少不是直接看不见的东西：暗物质和暗能量。随着暗物质将宇宙拉在一起，暗能量使宇宙膨胀得更快，宇宙学家需要确切地知道这两者中有多少才能完善他们的模型。

在苏黎世联邦理工学院，物理学系和计算机科学系的科学家现在已经联合起来，改进通过人工智能估算宇宙暗物质含量的标准方法。他们使用尖端的机器学习算法进行宇宙数据分析，这与Facebook和其他社交媒体用于面部识别的算法有很多共同点。他们的结果最近发表在科学杂志《物理评论》 D上。

宇宙学的面部识别

尽管在夜空中拍摄的照片中没有面孔可识别，但宇宙学家仍在寻找类似的东西，正如粒子物理与天体物理研究所的亚历山大·雷弗里耶格小组的研究员托马斯·卡普扎克解释说：“ Facebook使用它的算法可以找到图像中的眼睛，嘴巴或耳朵;我们使用我们的算法来寻找暗物质和暗能量的迹象。”由于无法在望远镜图像中直接看到暗物质，物理学家依靠这样一个事实，即包括暗变种在内的所有物质都会稍微扭曲光线从遥远星系到达地球的路径。这种效应被称为“弱引力透镜”，会非常微妙地扭曲这些星系的图像，

宇宙学家可以使用这种扭曲来向后工作，并创建显示暗物质所在位置的天空质量图。接下来，他们将这些暗物质图与理论预测值进行比较，以找出最接近该数据的宇宙学模型。传统上，这是使用人工设计的统计数据(例如所谓的相关函数)完成的，这些统计函数描述了地图的不同部分之间的相互关系。但是，这种统计数据在物质图上找到复杂模式的能力受到限制。

神经网络自学

“在我们最近的工作中，我们使用了一种全新的方法，” Alexandre Refregier说。“我们不是自己发明适当的统计分析，而是让计算机来完成这项工作。”这是计算机科学系数据分析实验室的Aurelien Lucchi及其同事参加的地方。与Refregier小组的博士生兼研究的主要作者Janis Fluri一起，他们使用了称为深度人工神经网络的机器学习算法。并教他们从暗物质图中提取尽可能多的信息。

第一步，科学家通过向神经网络提供计算机生成的模拟宇宙的数据来训练它们。这样，他们知道给定的宇宙学参数(例如，暗物质总量与暗能量总量之比)的正确答案应该是每个模拟暗物质图的正确答案。通过反复分析暗物质图，神经网络可以自学，在其中寻找正确的特征并提取越来越多的所需信息。在Facebook的比喻中，它可以更好地区分眼睛或嘴巴中的随机椭圆形。

比人为分析更准确

训练的结果令人鼓舞：神经网络的值比基于人为统计分析的传统方法获得的值准确30%。对于宇宙学家来说，这是一个巨大的进步，因为通过增加望远镜图像的数量来达到相同的精度将需要两倍的观察时间-这是昂贵的。

最后，科学家们使用他们训练有素的神经网络来分析KiDS-450数据集中的实际暗物质图。“这是在这种情况下首次使用这种机器学习工具，” Fluri说，“我们发现深度人工神经网络使我们能够从数据中提取比以前的方法更多的信息。我们相信这种方法的使用宇宙学中的机器学习将在未来有许多应用。”

下一步，他和他的同事正计划将他们的方法应用于更大的图像集，例如“暗能量调查”。同样，更多的宇宙学参数和改进，例如关于暗能量性质的细节，将被馈送到神经网络。