p Uma equipe de físicos e cientistas da computação da ETH Zurich desenvolveu uma nova abordagem para o problema da matéria escura e da energia escura no universo. Usando ferramentas de aprendizado de máquina, eles programaram computadores para aprenderem a extrair informações relevantes de mapas do universo. p Entender como nosso universo passou a ser o que é hoje e qual será seu destino final é um dos maiores desafios da ciência. A impressionante exibição de inúmeras estrelas em uma noite clara nos dá uma ideia da magnitude do problema, e, no entanto, isso é apenas parte da história. O enigma mais profundo está no que não podemos ver, pelo menos não diretamente:matéria escura e energia escura. Com a matéria escura unindo o universo e a energia escura fazendo com que ele se expanda mais rapidamente, os cosmologistas precisam saber exatamente quanto desses dois existe para refinar seus modelos.

p Na ETH Zurique, cientistas do Departamento de Física e do Departamento de Ciência da Computação agora uniram forças para aprimorar os métodos padrão de estimativa do conteúdo de matéria escura do universo por meio da inteligência artificial. Eles usaram algoritmos de aprendizado de máquina de ponta para análise cosmológica de dados que têm muito em comum com aqueles usados ​​para reconhecimento facial pelo Facebook e outras mídias sociais. Seus resultados foram publicados recentemente na revista científica Revisão Física D .

p Reconhecimento facial para cosmologia

p Embora não haja rostos a serem reconhecidos em fotos tiradas do céu noturno, cosmologistas ainda procuram por algo bastante semelhante, como Tomasz Kacprzak, pesquisador do grupo de Alexandre Refregier do Instituto de Física e Astrofísica de Partículas, explica:"O Facebook usa seus algoritmos para encontrar olhos, bocas ou ouvidos nas imagens; usamos o nosso para procurar os sinais indicadores de matéria escura e energia escura. "Como a matéria escura não pode ser vista diretamente em imagens de telescópio, os físicos confiam no fato de que toda a matéria - incluindo a variedade escura - curva ligeiramente o caminho dos raios de luz que chegam à Terra de galáxias distantes. Este efeito, conhecido como "lente gravitacional fraca, "distorce as imagens dessas galáxias muito sutilmente, muito parecido com objetos distantes, aparecem borrados em um dia quente à medida que a luz passa por camadas de ar em diferentes temperaturas.

p Os cosmologistas podem usar essa distorção para retroceder e criar mapas de massa do céu, mostrando onde a matéria escura está localizada. Próximo, eles comparam esses mapas de matéria escura com previsões teóricas para descobrir qual modelo cosmológico mais se aproxima dos dados. Tradicionalmente, isso é feito usando estatísticas projetadas por humanos, como as chamadas funções de correlação, que descrevem como as diferentes partes dos mapas estão relacionadas entre si. Essas estatísticas, Contudo, são limitados quanto ao quão bem eles podem encontrar padrões complexos nos mapas de matéria.

p Redes neurais aprendem sozinhas

p "Em nosso trabalho recente, usamos uma metodologia completamente nova, "diz Alexandre Refregier." Em vez de inventarmos nós próprios a análise estatística adequada, deixamos os computadores fazerem o trabalho. "É aqui que entram Aurelien Lucchi e seus colegas do Laboratório de Análise de Dados do Departamento de Ciência da Computação. Junto com Janis Fluri, um Ph.D. aluno do grupo Refregier e principal autor do estudo, eles usaram algoritmos de aprendizado de máquina chamados de redes neurais artificiais profundas e os ensinaram a extrair a maior quantidade possível de informações dos mapas de matéria escura.

p Em uma primeira etapa, os cientistas treinaram as redes neurais alimentando-as com dados gerados por computador que simulam o universo. Dessa maneira, eles sabiam qual era a resposta correta para um determinado parâmetro cosmológico - por exemplo, a razão entre a quantidade total de matéria escura e energia escura - deve ser para cada mapa de matéria escura simulado. Ao analisar repetidamente os mapas de matéria escura, a rede neural aprendeu sozinha a procurar o tipo certo de recursos nelas e a extrair cada vez mais as informações desejadas. Na analogia do Facebook, ficou melhor em distinguir formas ovais aleatórias de olhos ou bocas.

p Mais precisa do que a análise feita pelo homem

p Os resultados desse treinamento foram encorajadores:as redes neurais apresentaram valores 30% mais precisos do que os obtidos por métodos tradicionais baseados em análises estatísticas feitas por humanos. Para cosmologistas, Isso é uma grande melhoria, pois atingir a mesma precisão aumentando o número de imagens do telescópio exigiria o dobro do tempo de observação - o que é caro.

p Finalmente, os cientistas usaram sua rede neural totalmente treinada para analisar mapas reais de matéria escura do conjunto de dados KiDS-450. "Esta é a primeira vez que essas ferramentas de aprendizado de máquina são usadas neste contexto, "diz Fluri, "e descobrimos que a rede neural artificial profunda nos permite extrair mais informações dos dados do que as abordagens anteriores. Acreditamos que esse uso de aprendizado de máquina em cosmologia terá muitas aplicações futuras."

p Como uma próxima etapa, ele e seus colegas estão planejando aplicar seu método a conjuntos de imagens maiores, como o Dark Energy Survey. Também, mais parâmetros cosmológicos e refinamentos, como detalhes sobre a natureza da energia escura, serão enviados às redes neurais.