人們在我們周圍的宇宙中看到的一切恒星，行星，星系等等，總計不到宇宙的總質量和的5％。 暗物質和暗能量的本質構成了所有存在的一切，但是這些物質至今仍然是一個謎。

雖然暗物質將星系和星系團聚在一起，宇宙膨脹的速度不斷增加，是暗能量為其提供了動力。 盡管天文學家可以看到這些現象，但無法直接觀察到暗物質或暗能量，因此很難研究宇宙的這種物質構成。

天文學家看到暗物質影響的一種方法是研究大型物體通過的光的彎曲

“我們可以使用間接的方式來研究事物，例如看著陰影，并對造成陰影的原因進行有根據的猜測。 科學家間接研究暗物質的一種方法是使用重力透鏡。 當來自遙遠恒星的光穿過星系或星團時，存在于星系或星團中的物質的引力會導致光彎曲。

用人工智能探索宇宙天空

蘇黎世聯邦理工學院的物理學家和計算機科學工程師，現在正在利用人工智能來完善暗物質圖。 通過使用類似于面部識別軟件的人工智能，研究人員希望能夠詳細了解暗物質的聚集位置，來更好地理解這種現象。

因為看不到暗物質，所以天文學家尋找來自遙遠物體（例如星系）的光，這些光在經過暗物質沉積時會彎曲。 這種光的彎曲稱為弱引力透鏡，會使背景物體的圖像失真。

可以測量該失真，從而生成前景區域的重力圖，從而揭示暗物質的存在。 將這些暗物質圖譜與理論預測值進行比較，以確定哪種宇宙學模型最適合觀測。

較低質量的星系團，例如子彈團（如子圖所示），弱的引力透鏡會使背景中物體的圖像變形。

該分析中使用的機器學習算法類似于其他社交媒體應用程序使用的面部識別技術。

面部識別使用其算法來查找圖像中的眼睛，嘴巴或耳朵； 我們用我們的粒子來尋找暗物質和暗能量的跡象。

傳統上使用人為設計的統計數據（例如相關函數）來分析，但是此種分析方法在識別星系引力圖中的復雜模式的能力方面受到限制。

“在我們最近的工作中，我們使用了一種全新的方法。科學家解釋說，我們不需要自己發明統計數據分析，而是讓計算機來完成這項工作。

您的實驗室結果在……

為研究做好準備，神經網絡中裝有模擬宇宙的數據。 這些暗物質圖由神經網絡反復分析，該神經網絡從數據中提取了盡可能多的信息。 隨著時間的流逝，人工智能提高了識別和區分一項功能的能力。

神經網絡最終產生的值比從人類統計中獲得的值準確30％。 使用傳統統計方法進行的類似改進將需要兩倍的望遠鏡，而這可能很難（也很昂貴）。然而過全面訓練的AI用于分析暗物質地圖，以試圖發現傳統分析所丟失的細節。

科學家發現，與以前的方法相比，深度人工神經網絡使我們能夠從數據中提取更多信息。 我們相信，機器自我型學習方法，在宇宙學中的這種用途將在未來有很多應用。

暗物質控制著星系團MACS J0416.1–2403的中心，導致遠處物體的引力透鏡。

我們最熟悉的面部識別技術基于面部輪廓，測量和識別難以改變的方面，例如人眼之間的距離或下巴的形狀。

這項技術類似于機場，邊境口岸以及大型公共活動中使用的技術，是一種旨在識別太空暗物質的新工具。 隨著時間的推移，這些神經網絡將在更大的暗物質數據集上釋放，例如暗能量調查。

宇宙的形成，演化和最終命運，是宇宙學和天體物理學中的一個重要課題。 了解暗物質（將物體拉在一起）和暗能量（將波斯菊推開）的影響，對于弄清宇宙的本質至關重要。