Künstliche Intelligenz erforscht dunkle Materie im Universum

Herauszufinden, wie unser Universum zu dem wurde, was es heute ist, und welches Schicksal es dereinst erwartet, ist eine der gr?ssten Herausforderungen der Wissenschaft. Das Ehrfurcht einfl?ssende Schauspiel ungez?hlter Sterne in einer klaren Nacht gibt uns eine Ahnung von der Tragweite des Problems, und doch ist das nur ein Teil der Geschichte. Das gr?ssere R?tsel besteht in dem, was wir nicht sehen k?nnen, zumindest nicht direkt: dunkle Materie und dunkle Energie. Da dunkle Materie das Universum zusammenh?lt und dunkle Energie es sich ausbreiten l?sst, m¨¹ssen Kosmologen genau wissen, wie viel der beiden Arten es da draussen gibt, um ihre Modelle zu verfeinern.

An der ETH Z¨¹rich haben sich nun Wissenschaftler des Departements Physik und des Departements Informatik zusammengetan, um mit Hilfe von k¨¹nstlicher Intelligenz die Standardmethoden zur Sch?tzung des Gehalts an dunkler Materie im Universum zu verbessern. Sie verwendeten dazu innovative Algorithmen f¨¹r maschinelles Lernen, welche viel mit denen gemeinsam haben, die von Facebook und anderen sozialen Medien f¨¹r die Gesichtserkennung benutzt werden. Ihre Ergebnisse wurden k¨¹rzlich im Fachjournal externe SeitePhysical Review Dcall_made ver?ffentlicht.

Gesichtserkennung f¨¹r die Kosmologie

In Aufnahmen des Nachthimmels gibt es zwar keine Gesichter zu erkennen, doch Kosmologen suchen nach etwas ganz ?hnlichem, wie Thomas Kacprzak erkl?rt, der als Forscher in der Gruppe von Alexandre Refregier am Institut f¨¹r Teilchenphysik und Astrophysik arbeitet: ?Facebook benutzt seine Algorithmen, um in Bildern Augen, M¨¹nder 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 Physiker darauf, dass alle Materie ¨C auch die dunkle Sorte ¨C 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 ?hnlich wie weit entfernte Objekte verschwommen aussehen, wenn das Licht an einem heissen Tag Luftschichten mit verschiedenen Temperaturen durchquert.

Kosmologen k?nnen diese Verzerrung ausnutzen und r¨¹ckw?rts 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 ¨¹bereinstimmt. Normalerweise werden dazu von Menschen entwickelte statistische Gr?ssen wie etwa sogenannte Korrelationsfunktionen verwendet, die beschreiben, wie verschiedene Teile der Massenkarten miteinander in Bezug stehen. Solche Gr?ssen sind allerdings nur bedingt n¨¹tzlich, wenn es darum geht, komplexe Muster in den Massenkarten zu finden.

Neuronale Netzwerke lernen von allein

?In unserer neuesten Arbeit haben wir eine v?llig neue Methode benutzt?, sagt Alexandre Refregier. ?Anstatt selbst eine geeignete statistische Analyse zu erfinden, ¨¹berlassen wir diese Arbeit den Computern.? Hier nun kommen Aur¨¦lien Lucchi und seine Kollegen vom Data Analytics Lab am Departement f¨¹r Informatik ins Spiel. Gemeinsam mit Janis Fluri, Doktorand in Refregiers Gruppe und Erstautor der Studie, verwendeten sie als tiefe k¨¹nstliche neuronale Netzwerke bekannte Algorithmen f¨¹r maschinelles Lernen und brachten ihnen bei, so viele Informationen wie m?glich aus den Massenkarten der dunklen Materie herauszuholen.

In einem ersten Schritt trainierten die Wissenschaftler die neuronalen Netzwerke, indem sie sie mit computergenerierten Daten f¨¹tterten, die das Universum simulieren. Auf diese Weise kannten sie im Voraus die richtige Antwort f¨¹r einen bestimmten kosmologischen Parameter ¨C zum Beispiel das Verh?ltnis der gesamten dunklen Materie zur dunklen Energie ¨C f¨¹r 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 gew¨¹nschten Informationen zu extrahieren. Im Facebook-Vergleich wurde es also immer besser darin, zuf?llige ovale Formen von Augen oder M¨¹ndern zu unterscheiden.

Genauer als menschengemachte Analyse

Die Ergebnisse dieses Trainings waren ermutigend: Die neuronalen Netzwerke fanden Werte, die um 30 Prozent genauer waren als diejenigen, die mit herk?mmlichen, auf menschengemachter Statistik basierenden Methoden erzielt wurden. F¨¹r Kosmologen ist das eine enorme Verbesserung, denn um dieselbe Genauigkeit durch mehr Teleskopaufnahmen zu erreichen, w¨¹rde man die doppelte Beobachtungszeit brauchen ¨C 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 k¨¹nstliche 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 n?chsten Schritt haben er und seine Kollegen vor, ihre Methode auf gr?ssere Datens?tze 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.