Việc hiểu về cách vũ trụ của chúng ta ngày nay được hình thành như thế nào và rút cục sẽ trở thành thứ gì là là một trong những thách thức lớn nhất trong khoa học. Ngay bản thân việc các ngôi sao nhiều đến mức không thể đếm được trong một đêm thanh vắng cũng đủ sức khơi gợi sự tò mò và đem đến cho chúng ta một số ý tưởng về mức độ quan trọng của vấn đề này, và đây chỉ là một phần của câu chuyện. Điều bí ẩn nằm sâu hơn trong đó là những gì chúng ta không thể thấy bằng mắt thường, hoặc ít nhất là nhìn trực tiếp: vật chất tối và năng lượng tối.
Do vật chất tối kéo vũ trụ lại gần còn năng lượng tối gia tốc vũ trụ giãn nở, các nhà vũ trụ học cần biết chính xác có bao nhiêu lực trong số đó tác động lên vũ trụ để làm chính xác hơn các mô hình của họ.
Tại ETH Zurich, các nhà khoa học Khoa Vật lý và Khoa Khoa học máy tính đã hợp tác để cải thiện các phương pháp tiêu chuẩn để ước tính lượng vật chất tối của vũ trụ thông qua trí tuệ nhân tạo. Họ đã sử dụng các thuật toán học máy tiên tiến để phân tích dữ liệu vũ trụ, vốn có nhiều điểm tương đồng với những thuật toán vẫn được sử dụng để nhận dạng khuôn mặt của Facebook và các mạng xã hội khác. Kết quả nghiên cứu mới đây của họ đã xuất bản trênPhysical Review D.
Nhận dạng khuôn mặt dành cho vũ trụ
Trong khi không có các khuôn mặt được ghi nhận trong những bức ảnh chụp bầu trời đêm, các nhà vũ trụ học vẫn tìm kiếm thứ gì đó tương tự, như Tomasz Kacprzak, một nhà nghiên cứu trong nhóm nghiên cứu của Alexandre Refregier tại Viện nghiên cứu Vật lý hạt và vật lý thiên văn giải thích, giải thích: “Facebook sử dụng các thuật toán để tìm các đôi mắt, mũi hoặc tai trong các bức ảnh; chúng tôi sử dụng các thuật toán của mình để tìm kiếm các tín hiệu có thể kể được câu chuyện về vật chất tối và năng lượng tối”. Vì vật chất tối không thể nhìn thấy một cách trực tiếp trong các bức ảnh do kính viễn vọng chụp, các nhà vật lý phụ thuộc vào thực tế là tất cả các loại vật chất có thể “lái” một cách dễ dàng các tia sáng từ các thiên hà ở rất xa xuống trái đất. Hiệu ứng này vẫn được gọi là “các thấu kính hấp dẫn yếu" (weak gravitational lensing), làm méo các hình ảnh từ những thiên hà đó này, nhiều như những vật thể ở xa xuất hiện không rõ nét trong ngày nóng vì ánh sáng phải xuyên qua các lớp không khí tại các nhiệt độ khác nhau.
Các nhà vũ trụ học có thể sử dụng những biến dạng đó để làm theo hướng ngược lại và tạo ra các bản đồ cực lớn của bầu trời chứng tỏ nơi vật chất tối có mặt. Bước tiếp theo, họ so sánh các bản đồ vật chất tối theo các dự đoán lý thuyết theo trình tự để tìm mô hình vũ trụ nào phù hợp nhất với dữ liệu đó. Theo truyền thống, việc này được thực hiện bằng cách sử dụng các thống kê do con người thiết kế như các hàm tương quan để miêu tả cách các phần khác nhau của các bản đồ được liên kết với nhau. Dẫu vậy, nhiều thống kê bị giới hạn vì chúng có thể khó tìm thấy các mẫu hình phức tạp trong các bản đồ vật chất.
Các mạng thần kinh tự dạy mình
“Trong nghiên cứu của chúng tôi, chúng tôi đã sử dụng một phương pháp hoàn toàn mới”, Alexandre Refregier nói. “Thay vì tạo ra phân tích thống kê phù hợp cho chính mình, chúng tôi để cho các máy tính làm việc đó”. Đấy là nơi Aurelien Lucchi và đồng nghiệp của anh từ Phòng thí nghiệm Phân tích dữ liệu tại Khoa Khoa học máy tính bước vào. Cùng Janis Fluri, một nghiên cứu sinh trong nhóm nghien cứu của Refregier và là người dẫn dắt nghiên cứu này, họ sử dụng các thuật toán học máy gọi là các mạng thần kinh nhân tạo sâu và dạy chúng trích xuất một lượng thông tin lớn nhất có thể từ các bản đồ vật chất tối.
Trong bước đầu tiên, các nhà khoa học huấn luyện các mạng thần kinh bằng việc nạp cho chúng dữ liệu mô phỏng vũ trụ do máy tính tạo ra. Theo cách đó, chúng biết những gì là câu trả lời đúng với một thông số vũ trụ cho trước – ví dụ, tỷ lệ giữa tổng lượng vật chất tối và năng lượng tối – có thể là cho mỗi bản đồ vật chất tối mô phỏng. Bằng việc phân tích các bản đồ vật chất tối một cách liên tục, mạng thần kinh này tự dạy chính mình để có thể kìm kiếm các đặc điểm đúng trong các bản đồ và để trích xuất ra ngày một nhiều thông tin mong muốn. Tương tự như trên Facebook, nó sẽ trở nên chính xác hơn trong việc phân biệt ngẫu nhiên các hình dạng trái xoan từ mắt và miệng.
Ngày một chính xác hơn phân tích do người thực hiện
Những kết quả thu được từ tập luyện đáng khuyến khích: các mạng thần kinh đã gia tăng giá trị với độ chính xác 30% so với kết quả đạt được bằng phương pháp truyền thống dựa trên các phân tích do người thực hiện. Với các nhà vũ trụ học, đây là một cải thiện lớn vì chạm đến độ chính xác tương tự bằng việc gia tăng số lượng các hình ảnh chụp từ kính viễn vọng có thể đòi hỏi gấp hai lần thời gian quan sát mà lại tốn kém.
Cuối cùng, các nhà khoa học đã sử dụng mạng lưới thần kinh được huấn luyện của họ để phân tích các bản đồ vật chất tối thực tế từ bộ dữ liệu KiDS-450. “Đây là lần đầu tiên các công cụ học máy được sử dụng cho nội dung này”, Fluri nói, “và chúng tôi tìm thấy mạng thần kinh nhân tạo sâu cho phép chung tôi trích xuất nhiều thông tin từ dữ liệu này hơn những cách tiếp cận trước. Do dó, chúng tôi tin tưởng là việc sử dụng học máy trong vũ trụ sẽ còn có nhiều ứng dụng trong tương lai”
Bước tiếp theo, anh và đồng nghiệp lập kế hoạch ứng dụng phương pháp của mình trên các bộ dữ liệu hình ảnh lớn hơn như Dark Energy Survey. Ngoài ra, càng có thêm nhiều chi tiết về bản chất của năng lượng tối sẽ càng nuôi dưỡng những mạng thần kinh này tốt hơn.
