人工智能有助于区分暗物质和宇宙噪声

暗物质是维系宇宙的无形力量——至少我们是这么认为的。它约占所有物质的 85%，约占宇宙内容的 27%，但由于我们无法直接看到它，所以我们必须研究它对星系和其他宇宙结构的引力影响。尽管经过了几十年的研究，暗物质的真正本质仍然是科学界最难解答的问题之一。

根据主流理论，暗物质可能是一种几乎不与其他物质发生相互作用的粒子，除非通过引力。但一些科学家认为，这些粒子偶尔会相互作用，这种现象被称为自相互作用。探测此类相互作用将为了解暗物质的性质提供重要线索。

然而，区分暗物质自相互作用的细微迹象与其他宇宙效应(如活动星系核(AGN)，即星系中心的超大质量黑洞)的效应)一直是一项重大挑战。AGN 反馈可以以类似于暗物质效应的方式推动物质，因此很难区分两者。

洛桑联邦理工学院天体物理实验室的天文学家 David Harvey 取得了重大进展，他开发了一种深度学习算法，可以解开这些复杂的信号。这项研究发表在《自然天文学》杂志上。

他们基于人工智能的方法旨在通过分析星系团(由引力束缚在一起的大量星系)的图像来区分暗物质自相互作用的影响和 AGN 反馈的影响。这项创新有望大大提高暗物质研究的精确度。

哈维使用BAHAMAS-SIDM项目的图像训练了卷积神经网络 (CNN)，这是一种特别擅长识别图像模式的人工智能，该项目模拟了不同暗物质和 AGN 反馈情景下的星系团。通过输入数千张模拟星系团图像，CNN 学会了区分暗物质自相互作用引起的信号和 AGN 反馈引起的信号。

在测试的各种 CNN 架构中，最复杂的架构(称为“Inception”)也被证明是最准确的。该人工智能在两种主要的暗物质场景中进行了训练，具有不同程度的自相互作用，并在其他模型上进行了验证，包括更复杂的速度相关暗物质模型。

在理想条件下，Inception 的准确率高达 80%，非常惊人，能够有效识别星系团是否受到自相互作用暗物质或 AGN 反馈的影响。即使研究人员引入了真实的观测噪声，模仿我们期望从欧几里得等未来望远镜获得的数据，它仍能保持高性能。

这意味着 Inception 以及更广泛的 AI 方法可能对分析我们从太空收集的大量数据非常有用。此外，AI 处理看不见的数据的能力表明它具有适应性且可靠，使其成为未来暗物质研究的有前途的工具。

像 Inception 这样的基于 AI 的方法可能会极大地影响我们对暗物质的理解。随着新望远镜收集到前所未有的大量数据，这种方法将帮助科学家快速准确地筛选数据，并有可能揭示暗物质的真实本质。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！