Comprender cómo llegó a ser nuestro universo lo que es hoy y cuál será su destino final es uno de los mayores desafíos de la ciencia. El impresionante espectáculo de innumerables estrellas en una noche despejada nos da una idea de la magnitud del problema, y, sin embargo, eso es solo una parte de la historia. El enigma más profundo reside en lo que no podemos ver, al menos no directamente: la materia oscura y la energía oscura.
Mientras la materia oscura mantiene unido el universo y la energía oscura hace que se expanda más rápido, los cosmólogos necesitan saber con exactitud cuánto de esas dos existe para perfeccionar sus modelos.
Actualmente, los investigadores trabajan para mejorar los métodos estándar de estimación del contenido de materia oscura del universo mediante la inteligencia artificial. Utilizaron algoritmos de aprendizaje automático de vanguardia para el análisis de datos cosmológicos, que tienen mucho en común con los empleados en el reconocimiento facial de Facebook y otras redes sociales.
RECONOCIMIENTO FACIAL CÓSMICO
Aunque no hay rostros que reconocer en las imágenes del cielo nocturno, los cosmólogos buscan algo bastante similar.
“Facebook utiliza sus algoritmos para encontrar ojos, bocas u orejas en las imágenes; nosotros usamos los nuestros para buscar las señales reveladoras de la materia oscura y la energía oscura”, afirma Tomasz Kacprzak, investigador del grupo de Alexandre Refregier en el Instituto de Física de Partículas y Astrofísica de la ETH de Zúrich.
Como la materia oscura no puede observarse directamente en las imágenes de los telescopios, los físicos se basan en el hecho de que toda la materia, incluida la variedad oscura, curva ligeramente la trayectoria de los rayos de luz que llegan a la Tierra desde galaxias lejanas. Este efecto, conocido como “lente gravitacional débil”, distorsiona las imágenes de esas galaxias de forma muy sutil, de manera similar a como los objetos lejanos aparecen borrosos en un día caluroso cuando la luz atraviesa capas de aire a distintas temperaturas.
Los cosmólogos pueden utilizar esa distorsión para proceder a la inversa y crear mapas de masa del cielo que muestran dónde se encuentra la materia oscura. A continuación, comparan esos mapas de materia oscura con predicciones teóricas para determinar qué modelo cosmológico se ajusta más estrechamente a los datos. Tradicionalmente, esto se hace mediante estadísticas diseñadas por humanos, como las denominadas funciones de correlación, que describen cómo se relacionan entre sí las distintas partes de los mapas. Sin embargo, estas estadísticas tienen limitaciones en cuanto a su capacidad para detectar patrones complejos en los mapas de materia.
APRENDIZAJE POR CUENTA PROPIA
“En nuestro trabajo reciente hemos empleado una metodología completamente nueva”, afirma Refregier. “En lugar de diseñar nosotros mismos el análisis estadístico adecuado, dejamos que los ordenadores hagan el trabajo.” Aquí es donde entran en juego Aurelien Lucchi y sus colegas del Laboratorio de Análisis de Datos del departamento de informática. Junto con el autor principal, Janis Fluri, doctorando en el grupo de Refregier, los investigadores utilizaron algoritmos de aprendizaje automático denominados redes neuronales artificiales profundas y les enseñaron a extraer la mayor cantidad posible de información de los mapas de materia oscura.
En un primer paso, los científicos entrenaron las redes neuronales alimentándolas con datos generados por ordenador que simulan el universo. De este modo, sabían cuál debía ser la respuesta correcta para un parámetro cosmológico determinado (por ejemplo, la proporción entre la cantidad total de materia oscura y de energía oscura) en cada mapa de materia oscura simulado.
Al analizar reiteradamente los mapas de materia oscura, la red neuronal aprendió por sí misma a buscar el tipo adecuado de características en ellos y a extraer cada vez más información deseada. Siguiendo la analogía con Facebook, mejoró en la distinción entre formas ovaladas aleatorias y ojos o bocas.
PRECISIÓN SUPERIOR A LA HUMANA
Los resultados de ese entrenamiento fueron alentadores: las redes neuronales obtuvieron valores un 30 % más precisos que los que se obtenían con los métodos tradicionales basados en análisis estadísticos diseñados por humanos. Para los cosmólogos, esta es una mejora enorme, ya que alcanzar la misma precisión aumentando el número de imágenes de telescopio requeriría el doble de tiempo de observación, lo que resulta costoso.
Por último, los científicos utilizaron su red neuronal totalmente entrenada para analizar mapas reales de materia oscura del conjunto de datos KiDS-450.
“Es la primera vez que se utilizan herramientas de aprendizaje automático de este tipo en este contexto”, afirma Fluri, “y hemos comprobado que la red neuronal artificial profunda nos permite extraer más información de los datos que los enfoques anteriores. Creemos que este uso del aprendizaje automático en cosmología tendrá numerosas aplicaciones en el futuro”.
Como siguiente paso, él y sus colegas planean aplicar su método a conjuntos de imágenes más grandes, como el Dark Energy Survey. Además, incorporarán a las redes neuronales más parámetros cosmológicos y refinamientos, como detalles sobre la naturaleza de la energía oscura.
