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 imparare a estrarre le informazioni rilevanti dalle mappe dell'universo.

Comprendere come il nostro universo è diventato quello che è oggi e quale sarà il suo destino finale è una delle più grandi sfide della scienza. Il maestoso spettacolo di innumerevoli stelle in una notte limpida ci dà un'idea dell'entità del problema, eppure questa è solo una parte della storia. L'enigma più profondo sta in ciò che non possiamo vedere, almeno non direttamente:materia oscura ed energia oscura. Con la materia oscura che unisce l'universo e l'energia oscura che lo fa espandere più velocemente, i cosmologi hanno bisogno di sapere esattamente quanto di quei due c'è là fuori per perfezionare i loro modelli.

Al Politecnico di Zurigo, scienziati del Dipartimento di Fisica e del Dipartimento di Informatica hanno ora unito le forze per migliorare i metodi standard per stimare il contenuto di materia oscura dell'universo attraverso l'intelligenza artificiale. Hanno utilizzato algoritmi di apprendimento automatico all'avanguardia per l'analisi dei dati cosmologici che hanno molto in comune con quelli utilizzati per il riconoscimento facciale da Facebook e altri social media. I loro risultati sono stati recentemente pubblicati sulla rivista scientifica Revisione fisica D .

Riconoscimento facciale per la cosmologia

Mentre non ci sono volti da riconoscere nelle foto scattate al cielo notturno, i cosmologi cercano ancora qualcosa di piuttosto simile, come Tomasz Kacprzak, un ricercatore nel gruppo di Alexandre Refregier presso l'Istituto di Fisica delle Particelle e Astrofisica, spiega:"Facebook usa i suoi algoritmi per trovare gli occhi, bocche o orecchie nelle immagini; usiamo il nostro per cercare i segni rivelatori della materia oscura e dell'energia oscura." Poiché la materia oscura non può essere vista direttamente nelle immagini del telescopio, i fisici si affidano al fatto che tutta la materia, compresa la varietà oscura, piega leggermente il percorso dei raggi di luce che arrivano sulla Terra da galassie lontane. Questo effetto, noto come "lente gravitazionale debole, " distorce molto sottilmente le immagini di quelle galassie, proprio come gli oggetti lontani appaiono sfocati in una giornata calda mentre la luce passa attraverso strati d'aria a temperature diverse.

I cosmologi possono usare quella distorsione per lavorare a ritroso e creare mappe di massa del cielo che mostrano dove si trova la materia oscura. Prossimo, confrontano quelle mappe della materia oscura con le previsioni teoriche per trovare quale modello cosmologico si avvicina di più ai dati. Tradizionalmente, questo viene fatto utilizzando statistiche progettate dall'uomo come le cosiddette funzioni di correlazione che descrivono come le diverse parti delle mappe sono correlate tra loro. Tali statistiche, però, sono limitati a quanto bene possono trovare modelli complessi nelle mappe della materia.

Le reti neurali insegnano da sole

"Nel nostro recente lavoro, abbiamo utilizzato una metodologia completamente nuova, ", afferma Alexandre Refregier. "Invece di inventare noi stessi l'analisi statistica appropriata, lasciamo che i computer facciano il lavoro." È qui che entrano in gioco Aurelien Lucchi e i suoi colleghi del Data Analytics Lab del Dipartimento di Informatica. Insieme a Janis Fluri, un dottorato di ricerca studente nel gruppo di Refregier e autore principale dello studio, hanno usato algoritmi di apprendimento automatico chiamati reti neurali artificiali profonde e hanno insegnato loro a estrarre la più grande quantità possibile di informazioni dalle mappe della materia oscura.

In un primo passo, gli scienziati hanno addestrato le reti neurali fornendo loro dati generati dal computer che simulano l'universo. Quel modo, sapevano quale fosse la risposta corretta per un dato parametro cosmologico, per esempio, il rapporto tra la quantità totale di materia oscura e di energia oscura dovrebbe essere per ogni mappa simulata della materia oscura. Analizzando ripetutamente le mappe della materia oscura, la rete neurale ha imparato da sola a cercare in esse il giusto tipo di caratteristiche e ad estrarre sempre più informazioni desiderate. Nell'analogia di Facebook, è migliorato nel distinguere forme ovali casuali da occhi o bocche.

Più accurata dell'analisi fatta dall'uomo

I risultati di quella formazione sono stati incoraggianti:le reti neurali hanno fornito valori il 30% più accurati rispetto a quelli ottenuti con i metodi tradizionali basati su analisi statistiche fatte dall'uomo. Per i cosmologi, questo è un enorme miglioramento in quanto raggiungere la stessa precisione aumentando il numero di immagini del telescopio richiederebbe il doppio del tempo di osservazione, il che è costoso.

Finalmente, gli scienziati hanno utilizzato la loro rete neurale completamente addestrata per analizzare le mappe reali della materia oscura dal set di dati KiDS-450. "Questa è la prima volta che tali strumenti di apprendimento automatico sono stati utilizzati in questo contesto, "dice Fluri, "e abbiamo scoperto che la rete neurale artificiale profonda ci consente di estrarre più informazioni dai dati rispetto agli approcci precedenti. Riteniamo che questo utilizzo dell'apprendimento automatico in cosmologia avrà molte applicazioni future".

Come passo successivo, lui ei suoi colleghi stanno progettando di applicare il loro metodo a set di immagini più grandi come il Dark Energy Survey. Anche, ulteriori parametri cosmologici e perfezionamenti come i dettagli sulla natura dell'energia oscura verranno forniti alle reti neurali.