Forschung

Künstliche Intelligenz erforscht dunkle Materie

18.09.2019 - Per maschinellem Lernen selbstständig relevante Informationen aus Himmelskarten gewinnen.

Herauszufinden, wie unser Universum zu dem wurde, was es heute ist, und welches Schicksal es dereinst erwartet, ist eine der größten Heraus­forderungen der Wissenschaft. Da dunkle Materie das Universum zusammenhält und dunkle Energie es sich ausbreiten lässt, müssen Kosmologen genau wissen, wieviel der beiden Arten es im Kosmos gibt, um ihre Modelle zu verfeinern. An der ETH Zürich versuchen Wissenschaftler jetzt mit Hilfe von künstlicher Intelligenz die Standard­methoden zur Schätzung des Gehalts an dunkler Materie im Universum zu verbessern. Sie verwenden dazu innovative Algorithmen für maschinelles Lernen, welche viel mit denen gemeinsam haben, die von Facebook und anderen sozialen Medien für die Gesichts­erkennung benutzt werden.

In Aufnahmen des Nachthimmels gibt es zwar keine Gesichter zu erkennen, doch Kosmologen suchen nach etwas ganz Ähnlichem, wie Team-Mitglied Thomas Kacprzak erklärt: „Facebook benutzt seine Algorithmen, um in Bildern Augen, Münder oder Ohren zu finden. Wir benutzten unsere, um nach den charakte­ris­tischen Anzeichen von dunkler Materie und dunkler Energie zu suchen.“

Da dunkle Materie nicht direkt in Teleskop­aufnahmen sichtbar ist, vertrauen Astro­physiker darauf, dass alle Materie – auch die dunkle Sorte – die Bahnen von Lichtstrahlen, die von fernen Galaxien auf der Erde ankommen, leicht verbiegen. Dieser schwache Gravitations­linsen­effekt verzerrt die Bilder der Galaxien auf subtile Weise. Kosmologen können diese Verzerrung ausnutzen und rückwärts rechnen, um so Massen­karten zu erstellen, die zeigen, wo sich dunkle Materie befindet. Anschließend vergleichen sie diese Massen­karten der dunklen Materie mit theore­tischen Vorhersagen, um dasjenige kosmo­logische Modell zu finden, das am besten mit den Daten über­ein­stimmt. Normaler­weise werden dazu von Menschen entwickelte statistische Größen wie etwa Korrelations­funktionen verwendet, die beschreiben, wie verschiedene Teile der Massen­karten mit­ein­ander in Bezug stehen. Solche Größen sind allerdings nur bedingt nützlich, wenn es darum geht, komplexe Muster in den Massen­karten zu finden.

„In unserer neuesten Arbeit haben wir eine völlig neue Methode benutzt“, erklärt Team-Mitglied Alexandre Refregier. „Anstatt selbst eine geeignete statistische Analyse zu erfinden, überlassen wir diese Arbeit den Computern.“ Dazu verwenden die Forscher als tiefe künstliche neuronale Netzwerke bekannte Algorithmen für maschinelles Lernen und brachten ihnen bei, so viele Informationen wie möglich aus den Massen­karten der dunklen Materie heraus­zuholen.

In einem ersten Schritt trainierten die Wissen­schaftler die neuronalen Netzwerke, indem sie sie mit computer­generierten Daten fütterten, die das Universum simulieren. Auf diese Weise kannten sie im Voraus die richtige Antwort für einen bestimmten kosmo­logischen Parameter – zum Beispiel das Verhältnis der gesamten dunklen Materie zur dunklen Energie – für jede der simulierten Massen­karten. Durch wieder­holte Analyse der Massen­karten brachte das neuronale Netzwerk sich selbst bei, darin nach den richtigen Strukturen zu suchen und mehr und mehr der gewünschten Informationen zu extrahieren. Im Facebook-Vergleich wurde es also immer besser darin, zufällige ovale Formen von Augen oder Mündern zu unter­scheiden.

Die Ergebnisse dieses Trainings waren ermutigend: Die neuronalen Netzwerke fanden Werte, die um dreißig Prozent genauer waren als diejenigen, die mit herkömm­lichen, auf menschen­gemachter Statistik basierenden Methoden erzielt wurden. Für Kosmologen ist das eine enorme Verbesserung, denn um dieselbe Genauigkeit durch mehr Teleskop­aufnahmen zu erreichen, würde man die doppelte Beobach­tungs­zeit brauchen – und die ist teuer.

Schließlich benutzten die Wissen­schaftler ihr durch­trainiertes neuronales Netzwerk, um echte Massen­karten der dunklen Materie des Datensatzes KiDS-450 zu untersuchen. „Das ist das erste Mal, das solche Werkzeuge des maschinellen Lernens in diesem Zusammenhang verwendet wurden“, sagt Team-Mitglied Janis Fluri, „und wir haben gesehen, dass das tiefe künstliche neuronale Netzwerk es uns erlaubt, mehr Informationen aus den Daten zu gewinnen als mit bisherigen Methoden. Wir glauben, dass diese Verwendung von maschinellem Lernen in der Zukunft noch viele Anwendungen haben wird.“

Als nächsten Schritt haben er und seine Kollegen vor, ihre Methode auf größere Daten­sätze wie den Dark Energy Survey anzuwenden. Zudem sollen mehr kosmo­logische Parameter und weitere Verfeine­rungen, wie etwa Details zum Wesen der dunklen Energie, in die neuronalen Netzwerke einge­speist werden.

ETH Zürich / RK

Weitere Infos

Lithium-Ionen-Akkus modellieren

Eine mathematische Modellierung erlaubt es, die Entwurfsparameter und Betriebsbedingungen von Lithium-Ionen-Akkus genau zu analysieren. Das Paper und ein Webinar zeigen, wie man Parameter für digitale Akkumodelle bestimmt.

Whitepaper lesen!

Wie man Parameter für digitale Akku-Modelle bestimmt

Akkumodelle werden häufig verwendet, um die Kühlung, Leistung und Alterung von Batterien zu simulieren.

 

Jetzt registrieren!

Lithium-Ionen-Akkus modellieren

Eine mathematische Modellierung erlaubt es, die Entwurfsparameter und Betriebsbedingungen von Lithium-Ionen-Akkus genau zu analysieren. Das Paper und ein Webinar zeigen, wie man Parameter für digitale Akkumodelle bestimmt.

Whitepaper lesen!

Wie man Parameter für digitale Akku-Modelle bestimmt

Akkumodelle werden häufig verwendet, um die Kühlung, Leistung und Alterung von Batterien zu simulieren.

 

Jetzt registrieren!