物理學家和計算機學家們開發了一種全新的方式來研究宇宙中的暗物質和暗能量，他們利用計算機學習工具，通過人工智能編程，讓計算機學會自己如何從宇宙地圖中提取相關信息。

理解我們的宇宙如何成為今天的樣子，以及它的最終命運是科學上最大的挑戰之一。在一個晴朗的夜晚，我們抬頭望向黑暗的天空，閃耀著光芒的星星像我們展示著令人驚嘆的宇宙之大，而這只是我們能夠看到的宇宙的一粒塵埃。更深的謎團在于我們看不到的東西，至少是我們不能直接看到的，它們就是神秘的暗物質和暗能量，隨著暗物質將宇宙聯系在一起，或者說將宇宙中所以的物質拉扯在一起，暗能量使宇宙膨脹得更快，科學家們需要知道這兩者之間到底有什么關系，以及有多少，才能去更好的完善它們的科學模型。

蘇黎世聯邦理工學院的物理學和計算機科學系的科學家們組成了科研組，通過改進人工智能估算宇宙暗物質含量的標準方法，他們使用尖端的計算機學習算法進行宇宙學數據分析。也就是我們常說的AI技術。他們將其命名為“宇宙學的面部識別”。

盡管在夜空中拍攝的宇宙照片中沒有真實的面部可以使識別，但是科學家們仍然在尋找類似的東西，美國天體物理研究所亞歷山大博士說：社交應用使用它的算法在圖像中識別人的眼睛、耳朵和嘴巴。我們使用我們的算法來尋找暗物質和暗能量的跡象，由于無法在望遠鏡圖像中直接看到暗物質。所以我們只能通過其他的途徑來解決這個問題。所以的物質，包括黑暗物質，都會稍微改變光線從遙遠星系到達地球的路徑，這種效應被稱之為“弱引力透鏡”，會非常微妙的扭曲這些星系的圖像。

宇宙學家們可以利用這種扭曲來逆向分析，并創建顯示暗物質位置的天空天體質量圖。接下來，他們將這些暗物質圖與理論預測值進行比較，以找出哪個宇宙模型最符合數據。但是這種統計數據的方式對于科學家們來說有很大的局限性，因為在復雜模式下這種技術的能力非常的有限。

在近期的工作中，科學家們使用了一種全新的方式，亞歷山大博士說：我們讓頂級計算機來完成這項工作，不再需要人工輔助對比。我們使用了稱之為“深層人工神經網絡的計算機學習算法”。并教會它們從暗物質地圖中提取盡可能多的數據和信息。

首先，科學家們通過向神經網絡輸入模擬宇宙的數據來訓練它們。這樣它們就知道了給定宇宙學參數（例如：暗物質總量與暗能量之間的比率）的正確答案。通過反復分析暗物質圖，神經網絡會自己尋找合適的特征并提取越來越多的所需信息。

對深層人工神經網絡的訓練結果是令人滿意的，與基于人工統計分析的傳統方法所獲得的數據相比，神經網絡的準確度高出30%。同時提取數據的效率成幾何倍的增長。對于宇宙學來說，這是一個巨大的進步。

在傳統模式下，想要達到相同的精度，就需要增加望遠鏡的規模，同時需要更多的觀測與數據對比時間，這里的經濟成本和人力成本都將會非常的高。

最后，科學家們用他們訓練有素的神經網絡分析了KiDS-450數據集的實際暗物質圖，這是首次使用神經網絡學習工具投入真實的工作當中。

科學家稱：我們發現，深層人工神經網絡能夠大幅地提升我們的工作效率。這得以讓我們有更多的時間去進行關于暗物質和暗能量的其他研究，而不是將大把時間花費在對比數據之上。