Jak odróżnić szum kosmiczny od ciemnej materii?

Ciemna materia od lat stanowi zagadkę dla astrofizyków. Przez swoje właściwości może być mylona z innymi zjawiskami we Wszechświecie. Dlatego też badacze opracowali sztuczną inteligencję, która pozwoli odróżnić od niej szum kosmiczny (cosmic noise).

Jak twierdzą astronomowie, ciemna materia jest niewidzialną siłą trzymającą Wszechświat razem. Stanowi ona około 85 proc. całej materii i około 27 proc. zawartości kosmosu, ale ponieważ nie można jej bezpośrednio zobaczyć, musi być badana poprzez wpływ grawitacyjny na galaktyki i inne struktury. Pomimo dziesięcioleci badań, prawdziwa natura ciemnej materii pozostaje jednym z najbardziej nieuchwytnych pytań w nauce.

Zgodnie z wiodącą teorią, ciemna materia może być rodzajem cząstki, która prawie nie oddziałuje z niczym innym niż grawitacja. Niektórzy naukowcy uważają jednak, że cząstki te mogą czasami oddziaływać ze sobą, co znane jest jako zjawisko samointerakcji. Wykrycie takich interakcji dostarczyłoby kluczowych wskazówek na temat właściwości ciemnej materii.

Jednak odróżnienie subtelnych oznak samointerakcji ciemnej materii od innych efektów kosmicznych, takich jak te powodowane przez aktywne jądra galaktyk (AGN) – supermasywne czarne dziury w centrach galaktyk – stanowiło wyzwanie dla badaczy. Sprzężenie zwrotne (reakcja, będąca bezpośrednim oddziaływaniem sygnałów stanu końcowego na sygnały referencyjne) AGN może przesuwać materię w podobny sposób jak efekty ciemnej materii, co utrudnia rozróżnienie tych dwóch zjawisk.

Astronomowie z Ecole Polytechnique Federale de Lausanne, pod kierownictwem Davida Harvey’a, opracowali algorytm głębokiego uczenia, który może rozróżnić te złożone sygnały i szum kosmiczny. Badania zostały opublikowane w Nature Astronomy.

Metoda oparta na sztucznej inteligencji została zaprojektowana w celu rozróżnienia między samointerakcją ciemnej materii a efektami sprzężenia zwrotnego aktywnego jądra galaktyki, poprzez analizę obrazów gromad galaktyk – ogromnych zbiorów galaktyk, które są ze sobą powiązane grawitacyjnie. Może to zwiększyć precyzję badań nad ciemną materią.

Astrofizycy wytrenowali sieć Convolutional Neural Network (CNN) – rodzaj sztucznej inteligencji, która jest szczególnie dobra w rozpoznawaniu wzorców na obrazach, wykorzystując zdjęcia z projektu BAHAMAS-SIDM, który modeluje gromady galaktyk w różnych scenariuszach sprzężenia zwrotnego ciemnej materii i AGN. Biorąc pod uwagę tysiące symulowanych obrazów gromad galaktyk, CNN nauczyła się rozróżniać sygnały wywołane przez samointerakcje ciemnej materii i te wywołane przez sprzężenie zwrotne AGN. Co teoretycznie pozwoliło odróżnić szum kosmiczny od ciemnej materii.

Spośród różnych testowanych wersji CNN, najbardziej złożona – nazwana „Inception” – okazała się najdokładniejsza. Sztuczna inteligencja została wytrenowana na dwóch podstawowych scenariuszach ciemnej materii, charakteryzujących się różnymi poziomami samointerakcji, a następnie zweryfikowana na dodatkowych modelach, w tym na bardziej złożonym, zależnym od prędkości modelu ciemnej materii.

Jak wskazują naukowcy, „Inception” osiągnęła imponującą dokładność 80 proc. w idealnych warunkach, z powodzeniem identyfikując, czy gromady galaktyk były pod wpływem samoczynnie oddziałującej na siebie ciemnej materii lub sprzężenia zwrotnego AGN. Model utrzymał swoją wysoką wydajność nawet wtedy, gdy badacze wprowadzili realistyczny szum obserwacyjny, który naśladuje rodzaj danych, jakich oczekują od przyszłych teleskopów, takich jak Euclid.

Zdaniem astrofizyków, podejście oparte na sztucznej inteligencji, może okazać się niezwykle przydatne do analizy ogromnych ilości danych, które są pozyskiwane w ramach obserwacji kosmosu. Zdolność tej technologii do radzenia sobie z niewidocznymi danymi wskazuje, że jest ona elastyczna i niezawodna, przez co może się ona okazać niecenionym narzędziem do przyszłych badań nad ciemną materią.

Podejścia oparte na sztucznej inteligencji, takie jak „Inception”, mogą jak wskazują naukowcy, znacząco wpłynąć na zrozumienie tego, czym naprawdę jest ciemna materia. Ponieważ nowe teleskopy gromadzą niezliczone ilości danych, metoda ta pomoże astronomom szybko i dokładnie je przesiać, potencjalnie ujawniając prawdziwą naturę ciemnej materii.

Emil Gołoś