Ciemna materia, stanowiąca 85% całej materii we wszechświecie, pozostaje nieuchwytna ze względu na jej niewidzialną naturę, badaną jedynie poprzez jej efekty grawitacyjne.
Naukowcy, korzystając z teorii interakcji cząstek i zaawansowanych algorytmów sztucznej inteligencji, odrywają warstwy kosmicznej aktywności, aby wyizolować właściwości ciemnej materii. Wysiłki te są wspierane przez innowacyjne narzędzia sztucznej inteligencji, takie jak model Inception, który dokładnie odróżnia efekty ciemnej materii od innych zjawisk kosmicznych, potencjalnie ujawniając prawdziwą naturę ciemnej materii, gdy tylko staną się dostępne dane z nowych teleskopów.
Odkrywanie tajemnicy ciemnej materii
Ciemna materia to niewidzialna siła spajająca wszechświat – a przynajmniej tak nam się wydaje. Stanowi około 85% całej materii i około 27% zawartości Wszechświata, ale ponieważ nie możemy go zobaczyć bezpośrednio, musimy zbadać jego wpływ grawitacyjny na galaktyki i inne struktury kosmiczne. Pomimo dziesięcioleci badań prawdziwa natura ciemnej materii pozostaje jednym z najbardziej nieuchwytnych pytań nauki.
Według wiodącej teorii ciemna materia może być rodzajem cząstek, które prawie nie oddziałują z niczym innym, jak tylko poprzez grawitację. Niektórzy naukowcy uważają jednak, że cząstki te mogą czasami oddziaływać ze sobą, co jest zjawiskiem znanym jako interakcja własna. Wykrywanie takich interakcji dostarczyłoby kluczowych wskazówek na temat właściwości ciemnej materii.
Jednakże odróżnienie subtelnych oznak interakcji ciemnej materii od innych efektów kosmicznych, takich jak te powodowane przez aktywne jądra galaktyczne (AGN) – supermasywne czarne dziury w centrach galaktyk – było poważnym wyzwaniem. Sprzężenie zwrotne AGN może przesuwać materię w sposób podobny do działania ciemnej materii, co utrudnia ich odróżnienie.
Innowacje AI w astronomii
Znaczącym krokiem naprzód jest astronom David Harvey z Laboratorium Astrofizyki EPFL, który opracował algorytm głębokiego uczenia się, który może rozwikłać te złożone sygnały. Ich metoda oparta na sztucznej inteligencji ma na celu rozróżnienie skutków interakcji między ciemną materią a efektami sprzężenia zwrotnego AGN poprzez analizę obrazów gromad galaktyk – rozległych zbiorów galaktyk połączonych ze sobą grawitacją. Innowacja obiecuje znacznie zwiększyć precyzję badań ciemnej materii.
Harvey przeszkolił konwolucyjną sieć neuronową (CNN) – rodzaj sztucznej inteligencji, która jest szczególnie dobra w rozpoznawaniu wzorców na obrazach – przy użyciu obrazów z BAHAMA-SIDM projekt, który modeluje gromady galaktyk w oparciu o różne scenariusze ciemnej materii i sprzężenia zwrotnego AGN. Otrzymując tysiące symulowanych zdjęć gromad galaktyk, CNN nauczyła się odróżniać sygnały spowodowane interakcjami ciemnej materii od sygnałów powodowanych przez sprzężenie zwrotne AGN.
Wyniki i implikacje
Spośród różnych testowanych architektur CNN najbardziej złożona – nazwana „Incepcją” – okazała się również najdokładniejsza. Sztuczną inteligencję przeszkolono w oparciu o dwa podstawowe scenariusze ciemnej materii, charakteryzujące się różnymi poziomami wzajemnej interakcji, a następnie zweryfikowano ją na dodatkowych modelach, w tym bardziej złożonym modelu ciemnej materii zależnej od prędkości.
Incepcja osiągnęła imponujący wynik dokładność wynoszący 80% w idealnych warunkach, skutecznie identyfikując, czy na gromady galaktyk wpływa oddziałująca ciemna materia lub sprzężenie zwrotne AGN. Utrzymał wysoką wydajność nawet wtedy, gdy badacze wprowadzili realistyczny szum obserwacyjny, który naśladuje rodzaj danych, jakich oczekujemy od przyszłych teleskopów, takich jak Euclid.
Przyszłość badań nad ciemną materią
Oznacza to, że Incepcja – i szerzej podejście do sztucznej inteligencji – może okazać się niezwykle przydatne do analizy ogromnych ilości danych, które zbieramy z kosmosu. Co więcej, zdolność sztucznej inteligencji do przetwarzania niewidocznych danych wskazuje, że można ją dostosować i niezawodną, co czyni ją obiecującym narzędziem do przyszłych badań ciemnej materii.
Podejścia oparte na sztucznej inteligencji, takie jak Incepcja, mogą znacząco wpłynąć na nasze zrozumienie, czym właściwie jest ciemna materia. Ponieważ nowe teleskopy gromadzą bezprecedensowe ilości danych, metoda ta pomoże naukowcom szybko i dokładnie je przesiać, potencjalnie ujawniając prawdziwą naturę ciemnej materii.
Odniesienie: „Algorytm głębokiego uczenia się do rozwikłania oddziałujących na siebie ciemnej materii i modeli sprzężenia zwrotnego AGN” autorstwa D. Harveya, 6 września 2024 r., Astronomia przyrodnicza.
DOI: 10.1038/s41550-024-02322-8
