了解我们的宇宙如何成为今天的样子以及它的最终命运将是科学上的最大挑战之一。在晴朗的夜晚无数星星的令人敬畏的展示使我们对问题的严重性有了一些了解，但这只是故事的一部分。更深层的谜语在于我们看不到的东西，至少不是直接看不见的东西：暗物质和暗能量。随着暗物质将宇宙拉在一起，暗能量使宇宙膨胀得更快，宇宙学家需要确切地知道这两者中有多少才能完善他们的模型。
在苏黎世联邦理工学院，物理学系和计算机科学系的科学家现在已经联合起来，改进通过人工智能估算宇宙暗物质含量的标准方法。他们使用尖端的机器学习算法进行宇宙学数据分析，这些算法与Facebook和其他社交媒体用于面部识别的算法有很多共同点。他们的结果最近发表在科学杂志《物理评论》 D上。
尽管在夜空中拍摄的照片中没有面孔可识别，但宇宙学家仍在寻找相似的东西，正如粒子物理与天体物理研究所的亚历山大·雷弗里耶格小组的研究员托马斯·卡普扎克解释说：“ Facebook使用它的算法可以找到图像中的眼睛，嘴巴或耳朵;我们使用我们的算法来寻找暗物质和暗能量的迹象。” 由于无法在望远镜图像中直接看到暗物质，因此物理学家依靠这样一个事实，即所有物质-包括暗变种-都会稍微改变光线从遥远星系到达地球的路径。这种效应被称为“弱引力透镜”，会非常微妙地扭曲这些星系的图像，
宇宙学家可以使用这种扭曲向后工作，并创建显示暗物质位置的天空质量图。接下来，他们将这些暗物质图与理论预测值进行比较，以找出哪个宇宙学模型与数据最匹配。传统上，这是使用人为设计的统计数据(例如描述地图不同部分之间相互关系的所谓相关函数)完成的。但是，这种统计数据在物质图上找到复杂模式的能力受到限制。
“在我们最近的工作中，我们使用了一种全新的方法，” Alexandre Refregier说。“我们不是自己发明适当的统计分析，而是让计算机来完成这项工作。” 这是计算机科学系数据分析实验室的Aurelien Lucchi及其同事参加的地方。与Refregier小组的博士生兼研究的主要作者Janis Fluri一起，他们使用了称为深度人工神经网络的机器学习算法。并教他们从暗物质图中提取尽可能多的信息。