Kozmologlar ve fizikçiler etrafımızdaki dünyayı büsbütün anlamak üzere karanlık madde ve karanlık enerji üzerine çalışmalar yapıyor. Evrenin bileşimi ise araştırmacıların asırlardır karşılığını aradığı bir husus. Baryonik madde, karanlık unsur ve karanlık gücün beklenen yüzdeleri sırasıyla yüzde 5, yüzde 27 ve yüzde 68 olarak iddia edilse de araştırmacılar bu varsayımları düzgünleştirmek ve kozmolojik dataları tahlil etmek kullanılan istatistiksel sistemlerin hesaplama masraflarını optimize etmek için çalışıyor.
Son olarak ETH Zurich araştırmacıları, “KiDS-450 zayıf lens haritalarından derinlemesine öğrenmenin kozmolojik kısıtlamaları” isimli makalede evrişimli hudut ağları kullanarak cihandaki karanlık maddeyi inceleme metotlarını ayrıntılandırdı.
Araştırmacılar birinci olarak kozmosun bilgisayar tarafından üretilen simülasyonundan elde edilen bilgilerle ilgili NVIDIA P100 GPU‘ları kullanarak evrişimli hudut ağını (CNN) eğiterek başladı. Bununla, model, doğruluğunu artırmak için çeşitli saklı özellikleri ve modelle bağlı yükleri öğrenebildi. Akabinde eğitilmiş model yaklaşık 15 milyon galaksinin halini içeren KiDS-450 tomografik zayıf lens data seti ile test edildi.
Sonuçta araştırmacılar derin öğrenme temelli modelin klasik çıkarım usullerinden daha düzgün performans gösterdiğini ortaya koydu. Evvelki sistem, klasik istatistiksel metotları kullanarak bilim insanlarının ürettiğinden yüzde 30 daha hakikat bedeller sağlamış. Ek olarak, bu modelin Hubble teleskobunu kullanmaktan daha süratli olduğu ve takımla birlikte teleskoptan yalnızca data toplamak için 2 kat fazla vakit harcanabileceği söz ediliyor.
Bu çeşit makine öğrenme araçlarının bu bağlamda birinci kere kullanıldığına dikkat çekiliyor. Ek olarak, derin yapay hudut ağının evvelki yaklaşımlardan daha fazla bilgi edinmesini sağladığının altı çiziliyor. Makine tahsilinin gelecekte kozmolojide daha birçok kere kullanılacağına inanılıyor.
