Темная материя составляет 27% Вселенной, но ее невозможно наблюдать непосредственно из-за того, что она не излучает свет. В то же время ее гравитационное взаимодействие с окружающей средой позволяет выявлять ее эффекты на большом масштабе, например, в гало вокруг галактик и кольцах Эйнштейна.
Отделение взаимодействия темной материи между собой от других космических сигналов — сложная задача. Однако алгоритм глубокого машинного обучения с помощью нейросетей помогает решить эту проблему, отличая гравитационное воздействие темной материи от сигналов, поступающих от активных галактических ядер со сверхмассивными черными дырами. Исследование, описывающее этот алгоритм, опубликовано в журнале Nature Astronomy.
Астроном Дэвид Гарви из Федеральной политехнической школы Лозанны обучил нейронную сеть анализировать изображения из проекта BAHAMAS-SIDM, который моделирует взаимодействия темной материи с галактическими скоплениями. Нейросеть, получив изображение, научилась отсеивать сигналы темной материи от шумов, вызванных галактическими ядрами. Харви объясняет, что слабое линзирование дифференцирует взаимодействие темной материи, тогда как рентгеновские данные помогают различать модели астрофизической обратной связи.
Самая точная нейронная сеть под названием Inception достигла 80% точности отсеивания от посторонних шумов. Такой подход может применяться в будущих исследованиях с использованием телескопов вроде Euclid, наблюдающего миллиарды галактик.
Хотя ученые до сих пор не знают, какие элементарные частицы отвечают за темную материю, методы искусственного интеллекта помогают ускорить это важное открытие. Благодаря мощным телескопам и алгоритмам на основе нейросетей, исследователи могут эффективнее анализировать огромные массивы данных и приблизиться к пониманию природы темной материи.
Ранее мы сообщали о том, как темная материя могла помочь родиться сверхмассивным черным дырам.
По материалам Gizmodo
