人工智能：精準區分暗物質與宇宙噪聲的神器

暗物質是維繫宇宙的無形力量——至少我們是這麼認爲的。它約佔所有物質的 85%，約佔宇宙內容的 27%，但由於我們無法直接觀測到它，所以必須研究其對星系和其他宇宙結構產生的引力影響。儘管經過了幾十年的研究，暗物質的真實本質仍然是科學界最難以捉摸的問題之一。

依據一項主流理論，暗物質或許是一種幾乎不與其他任何物質發生相互作用的粒子，除非通過引力。但一些科學家認爲，這些粒子偶爾可能會相互作用，這種現象被稱爲自相互作用。探測到這種相互作用將爲暗物質的性質提供關鍵線索。

然而，將暗物質自相互作用的微妙跡象與其他宇宙效應區分開來，比如由活動星系核（AGN）——星系中心的超大質量黑洞——引起的那些效應，一直是一個重大挑戰。AGN 的反饋能夠以類似於暗物質產生影響的方式推動物質，從而導致很難將二者區分開來。

取得重大進步的是，洛桑聯邦理工學院天體物理學實驗室的天文學家大衛·哈維開發了一種深度學習算法，能夠理清這些複雜的信號。並且該研究發表在《自然·天文學》上。

他們的基於人工智能的方法旨在通過分析星系團（通過引力束縛在一起的衆多星系的集合）的圖像來區分暗物質自相互作用的影響和活動星系核反饋的影響。這一創新有望大幅提高暗物質研究的精度。

哈維藉助來自BAHAMAS-SIDM項目的圖像對一個卷積神經網絡（CNN）進行了訓練，這是一種在圖像模式識別方面表現尤爲出色的人工智能，該項目對不同暗物質和活動星系核反饋情景下的星系團進行建模。通過輸入數千張模擬的星系團圖像，CNN 學會了區分由暗物質自相互作用引起的信號和由活動星系核反饋引起的信號。

在測試的各種 CNN 架構中，最複雜的——被稱作“初始”——被證明也是最準確的。該人工智能在兩種主要的暗物質情景中接受訓練，具有不同程度的自相互作用，並在其他模型上進行了驗證，包括更復雜的、與速度相關的暗物質模型。

在理想條件下，Inception 達到了令人矚目的 80%準確率，有效地判別出星系團是否受到自相互作用暗物質或 AGN 反饋的作用。即便研究人員引入了模擬我們期望從諸如歐幾里得這類未來望遠鏡獲取的數據的現實觀測噪聲，它依然保持着高性能。

這意味着 Inception 以及更廣泛的人工智能方法，在分析我們從太空收集的大量數據方面，可能被證實極爲有用。另外，人工智能處理未曾見過的數據的能力表明其具有適應性和可靠性，使其成爲未來暗物質研究的有前途的工具。