Исследователи из университета ETH Zurich обучили нейросеть, которая предсказывает космологические параметры вселенной. Сверточная нейросеть сначала обучалась на снимках симуляции вселенной. Затем обученную нейросеть протестировали на изображениях темной материи из датасета KiDS-450. Ранее нейросетевые модели для этой задачи не применялись.
Обучение модели
На первом этапе ученые обучили сверточную нейросеть, которая основывается на ResNet архитектуре. Данные вселенной синтезировались с помощью PkdGrav3. Нейросеть предсказывала космологические параметры по снимку вселенной. Это позволяет получить такую информацию, как соотношение между общим количеством темной материи и темной энергии. Во время этого этапа модель анализировала и симуляции темной материи.
После обучения модели она была использована для анализа реальных тепловых карт с темной материей из датасета KiDS-450. Датасет содержит формы около 15 миллионов галактик.
Результаты
По результатам, нейросетевая модель обогнала существующие подходы. Если смотреть на метрику точности, то предсказания нейросети были на 30% более точные, чем предсказания с помощью стандартного статистического анализа. Если проводить соразмерный анализ с помощью стандартных подходов, понадобится в два раза больше данных с телескопов, что завышает требуемые расходы.
-
Тепловая карта ночного неба подается на вход нейросети. На выходе нейросеть отдает космологические параметры
На следующем этапе исследования ученые планируют использовать модель на данных Dark Energy Survey.
