暗物质和暗能量一直是宇宙学家和物理学家研究的主题，他们正在努力全面了解我们周围的世界。宇宙的组成是这些研究人员一直尝试探究的一部分。虽然研究人员估计普通物质（重子物质），暗物质和暗能量可能分别占宇宙总物质量的为5％，27％和68％，但他们一直在尝试改善这些估计并优化所采用统计方法的计算分析宇宙学数据。
最近，来自苏黎世联邦理工学院的一组研究人员发布了一篇有关这一主题的论文。在一篇题为“ 从KiDS-450弱透镜图上进行深度学习的宇宙学约束 ”的论文中，研究人员团队利用卷积神经网络详细介绍了研究宇宙暗物质的方法。
该团队首先使用Nvidia P100 GPU对来自计算机生成的宇宙模拟的数据进行卷积神经网络（CNN）训练。这样，模型就可以学习各种隐藏特征和与模型相关的东西，从而提高其准确性。随后，将经过训练的模型与KiDS-450断层扫描弱透镜数据集进行测试，该数据集包含大约1500万个星系的形状。
在结果中，研究人员发现，基于深度学习的模型比传统的推理方法表现更好。具体而言，前者提供的准确值比科学家使用传统统计方法得出的准确值高30％。此外，该模型还比使用哈勃望远镜快。研究团队表示，仅从望远镜收集数据进行实验就将花费两倍的时间。
苏黎世联邦理工学院的博士生和该研究的主要作者Janis Fluri评论了该团队的工作，称这是行业首创的，它允许从分析的数据中提取更多信息：
“这是在这种情况下首次使用这种机器学习工具。我们发现，深层人工神经网络使我们能够从数据中提取比以前的方法更多的信息。我们相信，机器学习在宇宙学中的这种使用将具有许多未来的应用。”
在论文摘要中，研究小组声称该技术是未来宇宙学数据分析中颇具前景：
我们将该结果与相同地图和似然pipeline上的功率谱分析进行比较，发现CNN约可提高30％。我们讨论了我们的结果如何为在未来宇宙学数据分析中使用深度学习提供出色的前景。
联系客服
