اولین استفاده از یادگیری عمیق برای شناسایی ماده تاریک

ماده و انرژی تاریک جزو داغ‌ترین موضوعات مورد مطالعه اخترشناسان بوده‌اند. آن‌ها سال‌هاست به دنبال توجیه نحوه شکل‌گیری جهان اطراف ما هستند. با وجود این که ما می‌دانیم تقریبا ۵ درصد ماده باریونی، ۲۷ درصد ماده تاریک و ۶۸ درصد انرژی تاریک در جهان اطراف ما وجود دارد، محققین در تلاش برای بهبود این تخمین‌ها هستند. آن‌ها می خواهند با بهینه‌سازی محاسبات روش‌های آماری و به کمک یادگیری عمیق داده‌های اخترشناسی را بهتر آنالیز کنند.

محققین دانشگاه ETH زوریخ با کمک روش شبکه‌های تودرتوی عصبی (CNN) درصدد بررسی ماده تاریک هستند. عنوان مقاله آن ها نیز «بررسی محدودین‌های اخترشناسی به کمک یادگیری عمیق»‌ به خوبی نحوه بررسی‌های ایی محققین را نشان می‌دهد.

این تیم ابتدا با کمک کارت گرافیکی P100 انویدیا اقدام به آموزش CNN کردند. این داده‌ها که شبیه‌‌سازی از جهان هستی هستند، توسط کامپیوتر تولید شده‌اند. به کمک این روش، مدل تولید شده می تواند با یادگیری ویژگی‌های مخفی و ارزش داده شده به مدل، دقت خود را بهبود ببخشد. سپس مدل آموزش داده شده به کمک دسته داده‌های توموگرافیک KiDS-450 که تقریبا ۱۵ میلیون اشکال کهکشان را در خود دارد، تست شد.

نتایج به دست آمده به کمک این مدل، ۳۰ درصد بهتر از روش‌‌های معمولی مدل‌سازی عمل کرده است و داده‌های به دست آمده توسط یادگیری عمیق بسیار دقیق‌تر بوده‌اند. همچنین بر اساس گفته محققین، زمان استفاده از تلسکوپ هابل در این تست نیز تقریبا نصف حالت‌‌‌های معمولی بوده است. بر اساس گفته‌های محققین، زمان مورد نیاز جمع‌اوری داده‌ها از این تلسکوپ به تنهایی دو برابر کل زمان این تست طول می‌کشید.

جنیس فلوری (Janis Fluri) نویسنده ارشد این مقاله می‌گوید:

این اولین بار است که روش‌های بر پایه یادگیری ماشین برای این منظور استفاده شده‌اند. ما به این نتیجه رسیده‌ایم که شبکه عصبی مصنوعی به ما این اجازه را می‌دهد که اطلاعات بیشتری را از داده‌های قبلیمان بدست آوریم. همچنین باور داریم که استفاده از یادگیری عمیق می‌تواند در آینده اختر شناسی نقش مهمی را ایفا کند و کاربرد‌های زیادی داشته باشد.