一个基于人工智能的工具能够识别暗物质的微妙效应，可能使我们更接近理解这一宇宙神秘成分。暗物质被认为是将宇宙结合在一起的不可见力量。它占据了所有物质的大约85%以及宇宙所包含的约27%。然而，由于它不可见，科学家们通过研究它对星系和其他宇宙结构的引力影响来进行研究。尽管经过数年的研究，暗物质的确切性质仍然是科学中最大的未解之谜之一。
一个显著的理论认为，暗物质可能是一种与其他粒子交互最小的粒子，主要通过引力进行交互。然而，一些研究人员提出这些粒子可能偶尔会相互作用，这种现象被称为自互作用。探测这种相互作用可能为暗物质的特性提供重要的见解。
然而，一个主要障碍是将暗物质自互作用的微弱迹象与其他宇宙现象区分开来，例如由活动星系核（AGN）引起的现象——在星系中心发现的超大质量黑洞。活动星系核的反馈可以以模仿暗物质效应的方式影响物质，这使得区分这两者的任务变得复杂。
在一个显著的进展中，来自洛桑联邦理工学院天体物理实验室的天文学家大卫·哈维创建了一个深度学习算法，能够处理这些复杂的信号。这个基于人工智能的方法旨在通过分析星系团的图像来分离暗物质自互作用的影响与活动星系核反馈的影响——星系团是由引力结合在一起的大型星系群。这一发展预计将显著提高暗物质研究的准确性。
哈维利用了一种卷积神经网络（CNN），这是一种专门的人工智能技术，擅长于图像中的模式识别。他使用来自BAHAMAS-SIDM项目的图片训练该网络，该项目模拟在不同条件下暗物质和活动星系核反馈下的星系团。通过分析成千上万的模拟星系团图像，CNN学会了区分由暗物质自互作用产生的信号与由活动星系核反馈造成的信号。
在测试的不同CNN模型中，最先进的模型“ Inception”被证明是最精确的。该人工智能以两种主要的暗物质场景进行训练，涉及不同程度的自互作用，并在额外模型上进行了验证，包括一个更复杂的速度依赖性暗物质模型。
Inception在理想条件下达到了令人印象深刻的80%准确率，成功识别星系团是否受到自互作用暗物质或活动星系核反馈的影响。即使在引入现实观测噪声的情况下，该模型仍保持高性能，模拟未来如Euclid这样的望远镜所预期的数据。
这表明Inception——以及整体人工智能方法——对于分析从太空收集的大量数据可能具有极大的帮助。此外，它适应以前未见数据的能力表明它既灵活又可靠，使其成为未来暗物质研究的宝贵工具。
像Inception这样的人工智能技术可能极大增强我们对暗物质真实情况的理解。随着新望远镜收集大量数据，这些方法将帮助科学家迅速而准确地处理这些信息，可能揭示暗物质的现实。
