AI допомагає відрізнити темну матерію від космічного шуму

Темна матерія — це невидима сила, яка утримує Всесвіт — принаймні ми так думаємо. Він становить близько 85% усієї матерії та близько 27% вмісту Всесвіту, але оскільки ми не можемо побачити його безпосередньо, ми повинні вивчити його гравітаційний вплив на галактики та інші космічні структури. Незважаючи на десятиліття досліджень, справжня природа темної матерії залишається одним із найбільш недосяжних питань науки.

Відповідно до однієї з провідних теорій, темна матерія може бути типом частинок, які майже не взаємодіють ні з чим іншим, окрім гравітації. Але деякі вчені вважають, що ці частинки іноді можуть взаємодіяти одна з одною, явище, відоме як самовзаємодія. Виявлення таких взаємодій дало б ключові підказки про властивості темної матерії.

Однак відрізнити тонкі ознаки самовзаємодії темної матерії від інших космічних ефектів, таких як ті, що спричинені активними галактичними ядрами (AGN) — надмасивними чорними дірами в центрах галактик — було серйозною проблемою. Зворотний зв’язок AGN може штовхати матерію таким чином, що подібно до ефектів темної матерії, що ускладнює їх розрізнення.

У значний крок вперед астроном Девід Харві з Лабораторії астрофізики EPFL розробив алгоритм глибокого навчання, який може розплутувати ці складні сигнали. Дослідження опубліковано в Nature Astronomy.

Їхній метод, заснований на штучному інтелекті, призначений для розрізнення ефектів самовзаємодії темної матерії та зворотного зв’язку AGN шляхом аналізу зображень скупчень галактик — величезних колекцій галактик, пов’язаних між собою гравітацією. Нововведення обіцяє значно підвищити точність дослідження темної матерії.

Харві навчив згорткову нейронну мережу (CNN), тип штучного інтелекту, який особливо добре розпізнає шаблони на зображеннях, за допомогою зображень із проекту BAHAMAS-SIDM, який моделює скупчення галактик за різними сценаріями зворотного зв’язку темної матерії та AGN. Отримавши тисячі змодельованих зображень скупчень галактик, CNN навчився розрізняти сигнали, викликані самовзаємодією темної матерії, і сигнали, викликані зворотним зв’язком AGN.

Серед різних випробуваних архітектур CNN найскладніша — під назвою «Початок» — виявилася також найточнішою. Штучний інтелект був навчений на двох основних сценаріях темної матерії з різними рівнями самовзаємодії та перевірений на додаткових моделях, включаючи більш складну, залежну від швидкості модель темної матерії.

Inception досяг вражаючої точності 80% за ідеальних умов, ефективно визначаючи, чи впливають на скупчення галактик самовзаємодіюча темна матерія чи зворотний зв’язок AGN. Він зберіг свою високу продуктивність, навіть коли дослідники запровадили реалістичний спостережний шум, який імітує дані, які ми очікуємо від майбутніх телескопів, таких як Евклід.

Це означає, що Inception і підхід штучного інтелекту в цілому можуть виявитися неймовірно корисними для аналізу величезних обсягів даних, які ми збираємо з космосу. Крім того, здатність ШІ обробляти невидимі дані вказує на те, що він адаптивний і надійний, що робить його перспективним інструментом для майбутніх досліджень темної матерії.

Підходи на основі штучного інтелекту, такі як Inception, можуть значно вплинути на наше розуміння того, що насправді таке темна матерія. Оскільки нові телескопи збирають безпрецедентну кількість даних, цей метод допоможе вченим швидко й точно просіяти їх, потенційно відкриваючи справжню природу темної матерії.