Presso l’ETH di Zurigo, una squadra di fisici ed informatici ha sviluppato un nuovo approccio per cercare di comprendere meglio e quindi risolvere il problema della materia oscura e dell’energia oscura dell’Universo ricorrendo a strumenti di apprendimento automatico.

Il team ha programmato i computer per “auto-insegnarsi” sul come estrarre le informazioni più importanti contenute nelle mappe dell’universo.

Comprendere come il nostro universo è diventato quello che è oggi e quale sarà il suo destino finale è una delle maggiori sfide della scienza. L’esibizione impressionante 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 devono sapere esattamente quanta di quelle due è là fuori per perfezionare i loro modelli.

All’ETH di Zurigo, gli 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 usato algoritmi di machine learning all’avanguardia per l’analisi dei dati cosmologici che hanno molto in comune con quelli usati per il riconoscimento facciale da Facebook e altri social media. I loro risultati sono stati recentemente pubblicati sulla rivista scientifica Physical Review D .

Riconoscimento facciale per la cosmologia

Mentre non ci sono volti da riconoscere nelle foto scattate nel cielo notturno, i cosmologi cercano ancora qualcosa di simile, come spiega Tomasz Kacprzak, un ricercatore del gruppo di Alexandre Refregier presso l’Istituto di fisica delle particelle e astrofisica: “Facebook utilizza i suoi algoritmi per trovare gli occhi, le bocche o le orecchie nelle immagini; usiamo i nostri 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 fanno affidamento sul fatto che tutta la materia, compresa la varietà oscura, piega leggermente il percorso dei raggi di luce che arrivano sulla Terra da galassie distanti. Questo effetto, noto come “lente gravitazionale debole“, distorce in modo molto sottie le immagini di quelle galassie.

I cosmologi possono usare quella distorsione per lavorare all’indietro e creare mappe di massa del cielo che mostrano dove si trova la materia oscura. Successivamente, confrontano quelle mappe della materia oscura con le previsioni teoriche al fine di trovare quale modello cosmologico corrisponda maggiormente ai dati. Tradizionalmente, questo viene fatto usando statistiche progettate dall’uomo come le cosiddette funzioni di correlazione che descrivono come le diverse parti delle mappe sono correlate tra loro. Tali statistiche, tuttavia, sono limitate sul modo in cui possono trovare schemi complessi nelle mappe della materia.

Una volta che la rete neurale è stata addestrata, può essere utilizzata per estrarre i parametri cosmologici dalle immagini reali del cielo notturno. Credito: ETH Zurigo

Le reti neurali si insegnano da sole

Nel nostro recente lavoro, abbiamo utilizzato una metodologia completamente nuova”, afferma Alexandre Refregier. “Invece di inventare noi stessi le opportune analisi statistiche, lasciamo che i computer facciano il loro lavoro“. È qui che entrano Aurelien Lucchi e i suoi colleghi del Data Analytics Lab del Dipartimento di Informatica. Insieme a Janis Fluri,  studente del gruppo Refregier e autore principale dello studio, hanno usato algoritmi di machine learning chiamati reti neurali artificiali profonde e hanno insegnato loro a estrarre la maggior quantità possibile di informazioni dalle mappe della materia oscura.

In un primo momento, gli scienziati hanno addestrato le reti neurali fornendo loro dati generati dal computer che simulano l’universo. In questo modo, sapevano quale sarebbe stata la risposta corretta per un dato parametro cosmologico, ad esempio il rapporto tra la quantità totale di materia oscura e l’energia oscura, per ciascuna mappa della materia oscura simulata. Analizzando ripetutamente le mappe della materia oscura, la rete neurale ha insegnato a se stessa a cercare il giusto tipo di caratteristiche in esse e ad estrarre sempre più informazioni desiderate. Nell’analogia di Facebook, è migliorato nel distinguere le forme ovali casuali dagli occhi o dalla bocca.

Più accurato dell’analisi fatta dall’uomo

I risultati di quella formazione sono stati incoraggianti: le reti neurali hanno prodotto valori più accurati del 30% rispetto a quelli ottenuti con 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.

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

Come passo successivo, lui e i suoi colleghi hanno in programma di applicare il loro metodo a set di immagini più grandi come il Dark Energy Survey. Inoltre, più parametri e perfezionamenti cosmologici come dettagli sulla natura dell’energia oscura saranno alimentati alle reti neurali.

Fonte:  ETH Zurigo, phys.org