La materia oscura e l’energia oscura sono due entità presenti nel nostro universo difficilmente individuabili anche perché è difficile per astronomi e studiosi estrapolare le informazioni più utili al riguardo dalle enormi moli di dati che possono essere reperiti osservando il cielo.
Allora perché non utilizzare i moderni algoritmi di apprendimento automatico, che diventano sempre più efficienti ed intelligenti, per provare ad estrarre le informazioni rilevanti?
È ciò che hanno pensato i ricercatori dell’ETH di Zurigo che stanno cercando di capire come utilizzare l’intelligenza artificiale per stimare il contenuto della materia oscura nell’universo.
Per fare questo stanno utilizzando particolare algoritmi che assomigliano, per modalità di lavoro, a quelli che si utilizzano per il riconoscimento facciale o quelli utilizzati per capire il contenuto delle immagini. I primi risultati sono stati pubblicati su Physical Review D.
I ricercatori, come spiega Tomasz Kacprzak, impegnato proprio in questi studi, fanno affidamento sul fatto che la materia tutta, compresa quella oscura, piega più o meno leggermente il percorso dei raggi di luce che arrivano sulla Terra dalle galassie distanti.
Si tratta di un effetto denominato “lente gravitazionale debole” che va a distorcere, molto spesso in maniera così sottile da essere quasi impercettibile, le immagini delle galassie più lontane.
Proprio questa distorsione può essere utilizzata per creare mappe che mostrano dove può trovarsi la materia oscura.
L’obiettivo finale è individuare quale modello cosmologico corrisponde in misura maggiore alle previsioni teoriche, una cosa che può essere fatta usando tecniche statistiche.
È proprio qui che entra in gioco l’intelligenza artificiale come spiega Alexandre Refregier, altro ricercatore impegnato in questo progetto: “Invece di inventare noi stessi le opportune analisi statistiche, lasciamo che i computer facciano il loro lavoro.”
Aiutati da altri ricercatori esperti di informatica, il team sta quindi utilizzando algoritmi di machine learning, denominati “reti neurali artificiali profonde”, per estrarre la maggior quantità possibile di informazioni dalle suddette mappe.
Dopo le fasi di addestramento, lo stesso algoritmo sta migliorando sempre di più e sta estraendo informazioni sempre più utili.
“Questa è la prima volta che tali strumenti di apprendimento automatico sono stati utilizzati in questo contesto”, afferma il ricercatore Janis Fluri, autore principale dello studio, “e abbiamo scoperto che la rete neurale artificiale profonda ci consente di estrarre più informazioni dai dati rispetto agli approcci precedenti. Crediamo che questo utilizzo dell’apprendimento automatico in cosmologia avrà molte applicazioni future”.
Approfondimenti
- Phys. Rev. D 100, 063514 (2019) – Cosmological constraints with deep learning from KiDS-450 weak lensing maps (IA) (DOI: 10.1103/PhysRevD.100.063514)
