宇宙中大部分物質都是人類看不見的暗物質。目前，觀測暗物質的最佳方式：引力透鏡技術的成本太高，耗時太久。最近，研究人員希望利用AI技術來解決這個問題，提出了一種基於對抗生成模型的新方法，名曰“CosmoGAN”。

隨著宇宙學家和天體物理學家對宇宙中最黑暗的凹陷的探索越來越深入，對越來越強大的觀測和計算工具的需求呈指數級增長。科學家們正在尋求收集、模擬和分析可以幫助解釋的越來越多的資料，解釋我們看到或看不到的事物的本質。

目前， 引力透鏡技術 是科學家提取這些資訊的最有前途的工具之一。根據伯克利實驗室國家能源研究科學計算中心（NERSC）資料科學團隊負責人Deborah Bard的說法，引力透鏡以某種方向視線中物質的數量確定遙遠星系的影像，並提供了一種觀察暗物質二維圖的方法。

“引力透鏡是研究暗物質的最佳方法之一，這種方法讓我們瞭解了很多關於宇宙結構的資訊，”她說。 “宇宙中的大部分物質都是暗物質，我們無法直接看到，因此必須使用間接方法來研究暗物質的分佈。”

但隨著實驗和理論資料集規模的增長，以及對這些資料進行成像和分析的模擬，出現了一個新問題： 這些模擬實驗的成本越來越高，計算成本非常昂貴。 因此，宇宙學家經常採用在計算上更便宜的替代模型，這類模型可以對昂貴的模擬實驗進行二次模擬。

不過最近，“基於神經網路的深度生成模型的進步，讓許多型別的模擬器（包括宇宙學中的模擬器）構建效能更強大、手工設計部分更少的替代模型成為可能，”機器學習工程師Mustafa Mustafa說。 他是NERSC一項新研究的主要作者，該研究描述的新方法就是基於二次模擬，由伯克利實驗室、谷歌研究院和誇祖魯-納塔爾大學合作開發。

研究團隊由伯克利實驗室領導，主要研究用於科學應用的各種深度生成模型。 團隊採取一種獨特的策略：生成對抗網路（GAN） 。

在近日發表在計算《天體物理學和宇宙學》期刊上的論文中，研究人員考慮了新的基於GAN的深度學習網路，名為CosmoGAN，並說明了其建立高保真、弱引力透鏡會聚圖的能力。

“它實際上是我們在沿著視線的天空中看到的引力透鏡的二維圖，”論文作者之一Bard說。 “如果圖中有一個峰值，相當於沿著視線方向存在大量物質的峰值，也就是說該方向上存在大量暗物質。”

CosmoGAN的優勢：效能強大精度高

為什麼選擇GAN而不是其他型別的生成模型？據Mustafa表示，主要是因為效能和精度問題。

“從深度學習的角度來看，還存在其他方法可以學習如何從影像生成收斂圖，但是當我們啟動這個專案時發現，與其他方法相比，GAN可以生成非常高解析度的影像，同時仍具備在計算成本和神經網路規模的成本效應上的優勢。“他說。

“我們尋求兩點：準確和快速，”論文共同作者，伯克利實驗室計算宇宙學中心的研究科學家ZariaLukic補充說。 “與完整的模擬相比，GAN提供了幾乎同樣的準確率。”

研究人員特別感興趣的是構建一個可以降低執行這些模擬的計算成本的替代模型。在論文中，他們概述了GAN在大型物理模擬研究中的許多優點。

“GAN在訓練期間非常不穩定，特別是在訓練結束時，生成的影像開始看起來很好，但是可能網路一更新，就會變得一團亂。”Mustafa說。 “但是因為我們掌握了宇宙學中的彙總統計資料，我們能夠在訓練的每一步中對GAN進行評估GAN，這有助於我們確定最好的生成器。通常這個流程不用於訓練GAN。“

使用CosmoGAN生成器網路，團隊已經能夠生成具有高統計信度的收斂對映，資料彙總統計與完全模擬對映相同。收斂圖之間的這種非常高水平的一致性，在統計學上與基於物理的生成模型生成的圖無法區分，這是深度神經網路構建模擬器的過程中邁出的重要一步。

“這裡的巨大優勢在於，我們處理的問題是一個與相關指標有關的物理問題，”巴德說。 “但是透過我們的方法，有一些實際指標可以量化GAN的準確度。對我來說，真正令人興奮的是：這些物理問題會對機器學習方法產生什麼影響。

最終， 這些方法可以改變現有暗物質搜尋實驗中過於依賴計算力和儲存空間、以及極其耗時的問題。 但未來仍有仍有大量工作要做。宇宙學的資料（以及一般的科學資料）可能需要非常高的影像解析度的量度，比如全天空望遠鏡影像。

“在這個專案中考慮使用二維影像是有價值的，但實際的物理模擬是三維的，結果可能隨時間發生不規則的變化，產生豐富的網狀結構特徵，”論文共同作者、NERSC大資料與分析服務團隊的資料架構師WahidBhmiji說。 “此外，我們需要對該方法進行擴充套件，以探索新的虛擬宇宙，而不是已經模擬過的虛擬宇宙，最終構建一個可控的CosmoGAN。”

“做可控GAN的想法實際上是整個問題的最高目標：真正模擬基於可控GAN的替代模型的物理模擬器，現在我們正在過去幾年領域內的進步的基礎上，努力瞭解如何穩定GAN的訓練動態。這對於實現這個最高目標而言非常重要。”他說。

參考連結：

論文地址：