Anzeige
 Home  |  Nachrichten  | Frag astronews.com  | Bild des Tages  |  Kalender  | Glossar  |  Links  | Forum  | Über uns    
astronews.com  
Nachrichten

astronews.com
astronews.com

Der deutschsprachige Onlinedienst für Astronomie, Astrophysik und Raumfahrt

Home  : Nachrichten : Forschung : Artikel [ Druckansicht ]

 
DUNKLE MATERIE
Forschung mit künstlicher Intelligenz
Redaktion / idw / Pressemitteilung der ETH Zürich
astronews.com
23. September 2019

Physiker und Informatiker machen in Zürich gemeinsame Sache, um dem Geheimnis von Dunkler Materie und Dunkler Energie im Universum auf die Spur zu kommen: Mit Hilfsmitteln des maschinellen Lernens programmierten sie Computer so, dass diese sich selbst beibrachten, relevante Informationen aus Himmelskarten zu gewinnen. Sie sind dabei offenbar besser als der Mensch.

Dunkle Materie

Eine typische computergenerierte Massenkarte der Dunklen Materie, wie sie von den Forschen zum Trainieren des neuronalen Netzwerks benutzt wird. Bild: ETH Zürich [Großansicht]

Herauszufinden, wie unser Universum zu dem wurde, was es heute ist, und welches Schicksal es einmal erwartet, ist eine der größten Herausforderungen der Wissenschaft. Das Ehrfurcht einflößende Schauspiel ungezählter Sterne in einer klaren Nacht gibt uns eine Ahnung von der Tragweite des Problems, und doch ist das nur ein Teil der Geschichte. Das größere Rätsel besteht in dem, was wir nicht sehen können, zumindest nicht direkt: Dunkle Materie und Dunkle Energie.

Da Dunkle Materie das Universum zusammenhält und Dunkle Energie es sich ausbreiten lässt, müssen Kosmologen genau wissen, wie viel der beiden Arten es da draußen gibt, um ihre Modelle zu verfeinern. An der Eidgenössischen Technischen Hochschule Zürich (ETH Zürich) haben sich nun Wissenschaftler des Departements Physik und des Departements Informatik zusammengetan, um mithilfe von künstlicher Intelligenz die Standardmethoden zur Schätzung des Gehalts an Dunkler Materie im Universum zu verbessern. Sie verwendeten 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 Thomas Kacprzak erklärt, der als Forscher in der Gruppe von Alexandre Refregier am Institut für Teilchenphysik und Astrophysik arbeitet: "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."

Anzeige

Da dunkle Materie nicht direkt in Teleskopaufnahmen sichtbar ist, vertrauen Physiker darauf, dass alle Materie – auch die dunkle Sorte – die Bahnen von Lichtstrahlen, die von fernen Galaxien auf der Erde ankommen, leicht verbiegen. Dieser Mechanismus, bekannt als "schwacher Gravitationslinseneffekt", verzerrt die Bilder der Galaxien auf subtile Weise, ganz ähnlich wie weit entfernte Objekte verschwommen aussehen, wenn das Licht an einem heißen Tag Luftschichten mit verschiedenen Temperaturen durchquert.

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 sogenannte 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", sagt Refregier. "Anstatt selbst eine geeignete statistische Analyse zu erfinden, überlassen wir diese Arbeit den Computern." Hier nun kommen Aurélien Lucchi und seine Kollegen vom Data Analytics Lab am Departement für Informatik ins Spiel. Gemeinsam mit Janis Fluri, Doktorand in Refregiers Gruppe und Erstautor der Studie, verwendeten sie 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 30 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 KiDS-450 Datensatzes zu untersuchen.

"Das ist das erste Mal, das solche Werkzeuge des maschinellen Lernens in diesem Zusammenhang verwendet wurden", sagt 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.

Über ihre Methode berichten die Forscher in einem Fachartikel, der in der Zeitschrift Physical Review D erschienen ist.

Forum
Forschung über Dunkle Materie mit künstlicher Intelligenz. Diskutieren Sie mit anderen Lesern im astronews.com Forum.
siehe auch
Planetenentstehung: Neuronale Netze helfen bei Simulation - 18. März 2019
Links im WWW
Preprint des Fachartikels bei arXiv.org
Eidgenössische Technische Hochschule Zürich (ETH Zürich)
In sozialen Netzwerken empfehlen
 
 
Anzeige
astronews.com 
Nachrichten Forschung | Raumfahrt | Sonnensystem | Teleskope | Amateurastronomie
Übersicht | Alle Schlagzeilen des Monats | Missionen | Archiv
Weitere Angebote Frag astronews.com | Forum | Bild des Tages | Newsletter
Kalender Sternenhimmel | Startrampe | Fernsehsendungen | Veranstaltungen
Nachschlagen AstroGlossar | AstroLinks
Info RSS-Feeds | Soziale Netzwerke | astronews.com ist mir was wert | Werbung | Kontakt | Suche
Impressum | Nutzungsbedingungen | Datenschutzerklärung
     ^ Copyright Stefan Deiters und/oder Lieferanten 1999-2019. Alle Rechte vorbehalten.  W3C
Diese Website wird auf einem Server in der EU gehostet.

© astronews.com / Stefan Deiters und/oder Lieferanten 1999 - 2019
Alle Rechte vorbehalten. Vervielfältigung nur mit Genehmigung.


URL dieser Seite: https://www.astronews.com:443/news/artikel/2019/09