Ukratko: Tamna tvar je nevidljiva sila koja drži svemir zajedno. Iako čini oko 85% materije i otprilike 27% sadržaja svemira, njezinu pravu prirodu još uvijek ne poznajemo. Novi algoritam temeljen na umjentoj inteligenciji razvijen od strane astronoma Davida Harveyja mogao bi značajno unaprijediti naše razumijevanje tamne tvari i njezinih svojstava.
Tamna tvar je nevidljiva sila koja drži svemir na okupu, iako je ne možemo direktno vidjeti. Ona čini oko 85% materije i otprilike 27% sadržaja svemira. Budući da ne možemo izravno promatrati tamnu tvar, istražujemo njezine gravitacijske učinke na galaksije i druge kozmičke strukture. Unatoč desetljećima istraživanja, stvarna priroda tamne tvari ostaje jedno od najneuhvatljivijih pitanja znanosti. Prema vodećoj teoriji, tamna tvar bi mogla biti vrsta čestica koje se jedva interagiraju s bilo čim drugim osim kroz gravitaciju. Međutim, neki znanstvenici vjeruju da bi te čestice povremeno mogle međusobno interagirati, u fenomen poznat kao samointerakcija. Otkrivanje takvih interakcija moglo bi pružiti ključne tragove o svojstvima tamne tvari.
Ipak, razlikovanje suptilnih znakova samointerakcija tamne tvari od drugih kozmičkih efekata, poput onih uzrokovanih aktivnim galaktičkim jezgama (AGN)—supermasivnim crnim rupama u središtima galaksija—bio je veliki izazov. Povratni učinci AGN-a mogu pomaknuti materiju na načine slične učincima tamne tvari, čineći ih teško razlikovati.
Napredak u analizi
U značajnom koraku naprijed, astronom David Harvey iz Laboratorija astrofizike na EPFL-u razvio je algoritam temeljen na umjetnoj inteligenciji koji može razdvojiti ove složene signale. Njihova metoda temeljena na AI dizajnirana je za razlikovanje između učinaka samointerakcija tamne tvari i učinaka povratnih informacija AGN-a analizom slika galaktičkih skupova—ogromnih skupina galaksija povezanih gravitacijom. Ova inovacija obećava značajno poboljšanje preciznosti istraživanja tamne tvari. Harvey je obučio Konvolucijsku neuronsku mrežu (CNN), vrstu umjetne inteligencije koja je posebno dobra u prepoznavanju obrazaca na slikama, sa slikama iz projekta BAHAMAS-SIDM, koji modelira galaktičke klastere pod različitim scenarijima tamne tvari i povratnih informacija AGN-a. Nakon što je primio tisuće simuliranih slika galaktičkih skupova, CNN je naučio razlikovati signale uzrokovane samointerakcijama tamne tvari od onih uzrokovanih povratnim informacijama AGN-a.
Različite arhitekture
Među različitim arhitekturama CNN-a testiranim, najkompleksnija—nazvana “Inception”—pokazala se kao najtočnija. Umjetna inteligencija je obučena na dva osnovna scenarija tamne tvari, s različitim razinama samointerakcije, i validiran na dodatnim modelima, uključujući složeniji model tamne tvari ovisan o brzini. Inception je postigao impresivnu točnost od 80% u idealnim uvjetima, učinkovito identificirajući jesu li galaktički klasteri pod utjecajem samointerakcija tamne tvari ili povratnih informacija AGN-a. Održao je visoku izvedbu čak i kada su istraživači uveli realističan promatrački šum koji oponaša vrstu podataka koju očekujemo od budućih teleskopa poput Euclida.
Ovo znači da bi Inception i pristupi temeljen na umjentoj inteligenciji općenito mogli biti izuzetno korisni za analizu ogromnih količina podataka koje prikupljamo iz svemira. Štoviše, sposobnost umjetne inteligencije da obrađuje neviđene podatke ukazuje na to da je prilagodljiv i pouzdan, što ga čini obećavajućim alatom za buduća istraživanja tamne tvari. Pristupi temeljen na umjetnoj inteligenciji poput Inceptiona mogli bi značajno utjecati na naše razumijevanje što tamna tvar zapravo jest. Dok novi teleskopi prikupljaju neviđene količine podataka, ova metoda će pomoći znanstvenicima da ih brzo i precizno analiziraju, potencijalno otkrivajući pravu prirodu tamne tvari. Istraživanje je objavljeno u časopisu Nature Astronomy.
