理解我们的宇宙如何形成为今天的样子，以及它的最终命运将如何，是科学领域最重大的挑战之一。晴朗夜空中无数恒星令人叹为观止的景象，让我们对这一问题的规模有了一些概念，但这仅是故事的一部分。更深层的谜题在于那些我们无法直接看到的事物：暗物质和暗能量。
暗物质将宇宙拉拢在一起，暗能量则使宇宙加速膨胀。宇宙学家需要准确掌握这两者在宇宙中的占比，才能完善他们的模型。
如今，研究人员正致力于通过人工智能改进估算宇宙中暗物质含量的标准方法。他们采用了前沿的机器学习算法进行宇宙学数据分析，这些算法与Facebook等社交媒体用于人脸识别的算法有诸多相似之处。
宇宙人脸识别
虽然夜空照片中并没有可供识别的人脸，但宇宙学家仍在寻找与之相似的东西。
“Facebook利用其算法在图像中寻找眼睛、嘴巴或耳朵；我们则用我们的算法寻找暗物质和暗能量的明显迹象，”瑞士苏黎世联邦理工学院粒子物理与天体物理研究所Alexandre Refregier课题组的研究员Tomasz Kacprzak说。
由于暗物质无法在望远镜图像中被直接看到，物理学家依赖于这样一个事实：包括暗物质在内的所有物质都会使从遥远星系抵达地球的光线路径发生轻微弯曲。这种被称为“弱引力透镜效应”的现象会非常细微地扭曲这些星系的图像，类似于炎热的日子里，光线穿过不同温度的空气层时，远处的物体看起来会变得模糊。
宇宙学家可以利用这种扭曲反向推算，绘制显示暗物质所在位置的天空质量图。接下来，他们将这些暗物质图与理论预测进行比较，以找出与数据最为吻合的宇宙学模型。传统上，这一工作是利用人工设计的统计量完成的，例如所谓的相关函数，用于描述图中不同部分之间的相互关系。然而，这类统计量在发现质量图中复杂模式方面的能力有限。
自主学习
“在我们最近的工作中，我们采用了一种全新的方法”，Refregier说，“我们不再自行设计合适的统计分析，而是让计算机来完成这项工作。”这时，计算机科学系数据分析实验室的Aurelien Lucchi及其同事便发挥了作用。在该课题组博士生、第一作者Janis Fluri的协助下，研究人员运用了名为深度人工神经网络的机器学习算法，并训练其尽可能多地从暗物质图中提取信息。
第一步，科学家们通过向神经网络输入模拟宇宙的计算机生成数据来对其进行训练。这样一来，对于每一张模拟的暗物质图，他们都清楚某一宇宙学参数的正确答案应是多少，例如暗物质总量与暗能量之间的比值。
通过反复分析暗物质图，神经网络自行学会了在图中寻找正确类型的特征，并提取出越来越多所需的信息。用Facebook的类比来说，它在区分随机的椭圆形状与眼睛或嘴巴方面变得越来越出色。
准确率高于人类
训练结果令人鼓舞：神经网络得出的数值，比基于人工统计分析的传统方法所得结果准确了30%。对宇宙学家而言，这是一项重大改进，因为若要通过增加望远镜图像数量达到同等精度，则需要两倍的观测时间，而这代价高昂。
最后，科学家们使用完全训练好的神经网络，对来自KiDS-450数据集的实际暗物质图进行了分析。
“这是此类机器学习工具首次应用于该领域，”Fluri说，“我们发现，这种深度人工神经网络能够比以往的方法从数据中提取更多信息。我们相信，机器学习在宇宙学中的这一应用将有许多未来的用途。”
下一步，他和同事们计划将其方法应用于更大的图像集，例如暗能量巡天项目。此外，他们还将向神经网络输入更多宇宙学参数及改进信息，例如有关暗能量本质的细节。
