p79. شبكه‌هاي عصبي در جست‌و‌جوي ريسمان‌هاي كيهاني

Neural Networks in the Search of Cosmic Strings

ريسمان هاي كيهاني نقص‌هاي توپولوژيكي هستند كه ممكن است در كيهان اوليه و در اثر گذار فاز به وجود آمده باشند. در اين مقاله از شبكه‌‌هاي عصبي پيچشي(CNN) كه رهيافتي مبتني بر يادگيري ماشيني است براي يافتن ردپاي ريسمان‌‌‌هاي كيهاني در ميدان تصادفي تابش زمينه‌‌اي كيهان (CMB) استفاده مي‌‌كنيم و نتايج را با نتيجه‌‌‌هايي كه از رهيافت‌‌هاي آماري استاندارد به دست مي‌‌آيند، مقايسه مي‌‌كنيم. در رهيافت كلاسيك معيارهاي مختلفي مانند مولفه هاي خمك تصوير، فيلترهاي پردازش تصوير، و خواص آماري مانند انحراف معيار و تابع چگالي احتمال بر روي نقشه ها اعمال مي گردد. طبق اندازه گيري‌هاي انجام شده درمي‌يابيم كه پايين ترين حد تنش ريسمان كه شبكۀ عصبي مي‌تواند براي داده‌‌هاي شبيه‌‌سازي‌شده با بيم و نويز پلانك اندازه‌گيري كند و براي رهيافت كلاسيك است. مقايسۀ نتايج نشان مي‌دهد كه تشخيص شبكۀ عصبي بهتر از حالتي است كه از پردازش تصوير و ابزارهاي آماري استفاده شده است .

Cosmic Strings are topological defects possibly formed in a symmetry-breaking phase transition in the early universe. In this paper we use Convolutional Neural Networks (CNN), a machine learning based approach, to find the footprints of cosmic strings in Cosmic Microwave Background (CMB) data, to compare the results with classical approach, which includes different measures such as curvelet components, image processing filters and statistical properties such as variance and probability density function (PDF). We find that the lowest tension of the string that the neural network can measure is and in classical approach is. Comparison of these two results shows that the detection of the neural network is better the other approach which uses classical tools.