Темна матерія становить 27% Всесвіту, але її неможливо спостерігати безпосередньо через те, що вона не випромінює світло. Водночас її гравітаційна взаємодія з навколишнім середовищем дозволяє виявляти її ефекти на великому масштабі, наприклад, у гало навколо галактик та кільцях Ейнштейна.
Відокремлення взаємодії темної матерії між собою від інших космічних сигналів — складне завдання. Однак алгоритм глибокого машинного навчання за допомогою нейромереж допомагає розв’язати цю проблему, відрізняючи гравітаційний вплив темної матерії від сигналів, що надходять від активних галактичних ядер з надмасивними чорними дірами. Дослідження, що описує цей алгоритм, опубліковане в журналі Nature Astronomy.
Магазин від Universe Space Tech
Комплект журналів Сонце, Місяць та Марс
До товаруАстроном Девід Гарві з Федеральної політехнічної школи Лозанни навчив нейронну мережу аналізувати зображення з проєкту BAHAMAS-SIDM, який моделює взаємодії темної матерії з галактичними скупченнями. Нейромережа, отримавши зображення, навчилася відсіювати сигнали темної матерії від шумів, спричинених галактичними ядрами. Гарві пояснює, що слабке лінзування диференціює взаємодію темної матерії, тоді як рентгенівські дані допомагають розрізняти моделі астрофізичного зворотного зв’язку.
Найточніша нейронна мережа під назвою Inception досягла 80% точності відсіювання від сторонніх шумів. Такий підхід може застосовуватись у майбутніх дослідженнях із використанням телескопів на кшталт Euclid, що спостерігає мільярди галактик.
Хоча науковці досі не знають, які елементарні частинки відповідають за темну матерію, методи штучного інтелекту допомагають прискорити це важливе відкриття. Завдяки потужним телескопам та алгоритмам на основі нейромереж, дослідники можуть ефективніше аналізувати величезні масиви даних і наблизитися до розуміння природи темної матерії.
Раніше ми повідомляли про те, як темна матерія могла допомогти народитися надмасивним чорним дірам.
За матеріалами Gizmodo
