具有高保真度的弱引力透镜收敛测绘图像。
美国“科学博客网”（ScienceBlog.com）5月6日消息显示，随着宇宙学家和天体物理学家的探寻目光深入到宇宙中最黑暗的角落，他们对越来越强大的观测和运算工具的需求呈指数级的增长趋势。
据美国“科学日报网”5月6日消息称，由美国伯克利实验室（Berkeley Lab）领导、谷歌研究所（Google Research）和南非夸祖鲁-纳塔尔大学（University of KwaZulu-Natal）研究人员参与的研究团队选取了一个独特的深度生成模型研究方向：生成对抗网络（generative adversarial network，简称GAN）。他们在《计算天体物理学和宇宙学》杂志5月6日刊发的一篇研究论文中，介绍了最新的用于宇宙学研究的深度学习网络“CosmoGAN”，并详细讨论了这种网络所具有的能力（创建高保真度的弱引力透镜收敛测绘图像）。
论文第一作者、伯克利实验室国家能源研究科学计算中心（NERSC）的机器学习工程师Mustafa Mustafa介绍道：“对于各种类型的模拟器构建功能更强大的、人工设计更少的代理模型来说，神经网络的深度生成模型为其创造了新的可能，其中包括应用于宇宙学的模拟器。”
论文共同作者、NERSC数据科学小组组长Deborah Bard解释道：“收敛图，实际上就是我们在天空中看到的、沿视线方向上引力透镜的二维图。如果收敛图中出现了一个峰值，且它能与视线方向上一个有大量物质聚集的峰值对应，那么这就意味着在那个方向上存在着大量的暗物质。”
Mustafa指出，之所以选择GAN，而不是其他类型的生成模型，在于其优良的性能和精度。他回顾道：“对于如何从图像中生成收敛图，从深度学习的角度来看，其实还有其他方法可以学习。但是相比之下，GAN似乎不仅可以生成分辨率非常高的图像，同时还具有较高的计算效率以及在神经网络规模上的高效能性。”
伯克利实验室计算宇宙学中心的科学家Zaria Lukic总结道：“我们有两个目标：准确和快速，而GAN提供了与完整的物理模拟实验几乎相同的精确度。”最终，这些方法或将改变目前依赖于详细物理模拟运算的科学领域——这些模拟运算需要数十亿小时的计算时间，并占用千万亿字节的磁盘空间。对于宇宙学研究更是如此，其数据（以及一般的科学数据）可能需要非常高分辨率的测绘图像，比如全天空的望远镜观测图像。
科界原创
编译：Jonathan
审稿：西莫
责编：唐林芳
期刊来源：《计算天体物理学和宇宙学》
期刊编号：2197-7909
原文链接：
https://scienceblog.com/507906/training-a-neural-network-to-study-dark-matter/
版权声明：本文由科界平台原创编译，中文内容仅供参考，一切内容以英文原版为准。转载请注明来源科技工作者之家—科界App。
