Beispiele für die Interaktion dunkler Materie mit sich selbst vom Rauschen des Universums zu trennen, ist eine komplizierte Aufgabe, aber jetzt hat ein Forscher einen Algorithmus entwickelt, der die Aufgabe vereinfachen könnte.
Deep-Learning-Algorithmen (ja, das ist KI) sind in der Lage, Selbstinteraktionen der Dunklen Materie von Rückkopplungen zu unterscheiden, die von heftigen kosmischen Quellen wie aktiven Galaxienkernen mit supermassereichen Schwarzen Löchern in ihren Kernen erzeugt werden. Forschung, die diesen Ansatz erklärt, ist veröffentlicht heute in Natürliche Astronomie.
Dunkle Materie ist ein allgemeiner Begriff für etwa 27 % des für uns unsichtbaren Universums. Mit anderen Worten: Es gibt einen großen Teil der Materie im Universum, der kein Licht aussendet, was es für Teleskope unmöglich macht, ihn direkt zu sehen. Dunkle Materie interagiert jedoch gravitativ mit ihrer Umgebung, sodass Forscher ihre Auswirkungen auf massiven Skalen beobachten können, beispielsweise in Halos um Galaxien und in sogenannten Einstein-Ringen.
Um subtile Signale dunkler Materie zu finden, die inmitten des Chaos des Universums gelegentlich mit sich selbst interagieren, trainierte der Forscher – David Harvey, ein Astronom an der École Polytechnique Fédérale de Lausanne – ein Faltungs-Neuronales Netzwerk auf Bildern aus dem BAHAMAS-Projekt -SIDM. Das Projekt „modelliert Galaxienhaufen unter verschiedenen Dunkle-Materie- und AGN-Feedback-Szenarien“, heißt es in einer Pressemitteilung der Universität. Wenn ein neuronales Netzwerk mit Bildern dieser Galaxienhaufen gefüttert wird, lernt es, Signale im Zusammenhang mit Wechselwirkungen mit dunkler Materie aus Signalen herauszufiltern, die von den Galaxienkernen verursacht werden.
„Schwache Linseninformationen unterscheiden in erster Linie selbstwechselwirkende Dunkle Materie, wohingegen Röntgeninformationen verschiedene astrophysikalische Rückkopplungsmodelle entschlüsseln“, schrieb Harvey in der Studie.
Das genaueste neuronale Netzwerk heißt Inception. Unter idealen Bedingungen erreicht Inception eine Genauigkeit von 80 % und behält diese Leistung bei, wenn dem System Beobachtungsrauschen hinzugefügt wird. Beobachtungsrauschen ist in allen Teleskopdaten zu erwarten, beispielsweise in denen von Euclid, dem 1,4-Dollar-Weltraumteleskop der ESA, das mit seiner Sonde für dunkle Materie und dunkle Energie Milliarden von Galaxien abbilden wird.
„Diese Methode stellt eine Möglichkeit dar, Daten zukünftiger Teleskope viel genauer und viel schneller zu analysieren als aktuelle Methoden und ermöglicht es uns, die Eigenschaften der Dunklen Materie wie nie zuvor zu erforschen“, fügte Harvey in dem Artikel hinzu.
Obwohl wir noch weit davon entfernt sind, die für die Dunkle Materie verantwortlichen Teilchen oder Phänomene zu identifizieren, könnte ein KI-Ansatz zur Lösung dieses Problems die Entdeckungen der Wissenschaftler über die Natur dieser unbekannten Materie beschleunigen. Dank Teleskopen wie Euklid verfügen Forscher über eine Fülle von Daten, die sie auf der Suche nach Antworten durchforsten können. Algorithmen wie die, die Inception unterstützen, können die Untersuchung dieser Daten beschleunigen.
