暗物質和暗能量一直是宇宙學家和物理學家研究的主題，他們正在努力全面了解我們周圍的世界。宇宙的組成是這些研究人員一直嘗試探究的一部分。雖然研究人員估計普通物質（重子物質），暗物質和暗能量可能分別佔宇宙總物質量的為5％，27％和68％，但他們一直在嘗試改善這些估計並優化所採用統計方法的計算分析宇宙學數據。

最近，來自蘇黎世聯邦理工學院的一組研究人員發布了一篇有關這一主題的論文。在一篇題為“從KiDS-450弱透鏡圖上進行深度學習的宇宙學約束”的論文中，研究人員團隊利用卷積神經網絡詳細介紹了研究宇宙暗物質的方法。

該團隊首先使用Nvidia P100 GPU對來自計算機生成的宇宙模擬的數據進行卷積神經網絡（CNN）訓練。這樣，模型就可以學習各種隱藏特徵和與模型相關的東西，從而提高其準確性。隨後，將經過訓練的模型與KiDS-450斷層掃描弱透鏡數據集進行測試，該數據集包含大約1500萬個星系的形狀。

在結果中，研究人員發現，基於深度學習的模型比傳統的推理方法表現更好。具體而言，前者提供的準確值比科學家使用傳統統計方法得出的準確值高30％。此外，該模型還比使用哈勃望遠鏡快。研究團隊表示，僅從望遠鏡收集數據進行實驗就將花費兩倍的時間。

蘇黎世聯邦理工學院的博士生和該研究的主要作者Janis Fluri評論了該團隊的工作，稱這是行業首創的，它允許從分析的數據中提取更多信息：

“這是在這種情況下首次使用這種機器學習工具。我們發現，深層人工神經網絡使我們能夠從數據中提取比以前的方法更多的信息。我們相信，機器學習在宇宙學中的這種使用將具有許多未來的應用。”

在論文摘要中，研究小組聲稱該技術是未來宇宙學數據分析中頗具前景：

我們將該結果與相同地圖和似然pipeline上的功率譜分析進行比較，發現CNN約可提高30％。我們討論了我們的結果如何為在未來宇宙學數據分析中使用深度學習提供出色的前景。