ماده و انرژی تاریک جزو داغ‌ترین موضوعات مورد مطالعه اخترشناسان بوده‌اند؛ آن‌ها سال‌هاست به دنبال توجیه نحوه شکل‌گیری جهان اطراف ما هستند. با وجود این که ما می‌دانیم تقریبا ۵ درصد ماده باریونی، ۲۷ درصد ماده تاریک و ۶۸ درصد انرژی تاریک در جهان اطراف ما وجود دارد، محققین در تلاش برای بهبود این تخمین‌ها هستند. آن‌ها می‌خواهند با بهینه‌سازی محاسبات روشهای آماری و به کمک یادگیری عمیق، داده‌های اخترشناسی را بهتر مورد تجزیه و تحلیل قرار دهند.
محققین مؤسسه فناوری فدرال زوریخ (ETH Zürich) در کشور سوئیس با کمک روش شبکه‌های تودرتوی عصبی (CNN) درصدد بررسی ماده تاریک هستند. عنوان مقاله آن‌ها نیز «بررسی محدودیت‌های اخترشناسی به کمک یادگیری عمیق» به خوبی نحوه بررسی‌های این محققین را نشان می‌دهد.
این تیم ابتدا با کمک کارت گرافیکی P100 انویدیا اقدام به آموزش CNN کردند. این داده‌ها که شبیه‌‌سازی از جهان هستی هستند، توسط رایانه تولید شده‌اند. به کمک این روش، مدل تولید شده می‌تواند با یادگیری ویژگی‌های مخفی و ارزش داده شده به مدل، دقت خود را بهبود ببخشد. سپس مدل آموزش داده شده به کمک دسته داده‌های توموگرافیک KiDS-450 که تقریبا ۱۵ میلیون اَشکال کهکشان را در خود دارد، تست شد.
گفتنی است شتاب دهنده گرافیکی Tesla P100 نخستین کارت گرافیکی بر پایه مهندسی هوش مصنوعی مخصوص ابررایانه‌ها و دیتا سنترهای پردازش سنگین مانند هوش مصنوعی ،آزمایش‌های مولکولی، پردازش‌های سرور در بخش‌های محاسبات اعداد، یادگیری عمیق و یادگیری ماشین و همچنین پردازش‌های ابری در جهان می‌باشد.
نتایج به دست آمده به کمک این مدل، ۳۰ درصد بهتر از روشهای معمولی مدل‌سازی عمل کرده است و داده‌های به دست آمده توسط یادگیری عمیق بسیار دقیق‌تر بوده‌اند. همچنین بر اساس گفته محققین، زمان استفاده از تلسکوپ هابل (Hubble) در این تست نیز تقریبا نصف حالت‌‌‌های معمولی بوده است. بر اساس گفته‌های محققین، زمان مورد نیاز جمع‌اوری داده‌ها از این تلسکوپ به تنهایی دو برابر کل زمان این تست طول می‌کشید.
جنیس فلوری (Janis Fluri) نویسنده ارشد این مقاله می‌گوید: «این اولین بار است که روشهای بر پایه یادگیری ماشین برای این منظور استفاده شده‌اند. ما به این نتیجه رسیده‌ایم که شبکه عصبی مصنوعی به ما این اجازه را می‌دهد که اطلاعات بیشتری را از داده‌های قبلی خود بدست آوریم. همچنین باور داریم که استفاده از یادگیری عمیق می‌تواند در آینده اخترشناسی نقش مهمی را ایفا کند و کاربرد‌های زیادی داشته باشد.»