KI hilft, dunkle Materie von kosmischem Rauschen zu unterscheiden

Dunkle Materie ist die unsichtbare Kraft, die das Universum zusammenhält – zumindest glauben wir das. Sie macht etwa 85 % aller Materie und etwa 27 % des Universums aus. Da wir sie jedoch nicht direkt sehen können, müssen wir ihre Gravitationseffekte auf Galaxien und andere kosmische Strukturen untersuchen. Trotz jahrzehntelanger Forschung bleibt die wahre Natur der dunklen Materie eine der schwersten Fragen der Wissenschaft.

Einer führenden Theorie zufolge könnte Dunkle Materie ein Teilchentyp sein, der außer durch die Schwerkraft kaum mit irgendetwas anderem interagiert. Einige Wissenschaftler glauben jedoch, dass diese Teilchen gelegentlich miteinander interagieren könnten, ein Phänomen, das als Selbstwechselwirkung bekannt ist. Die Entdeckung solcher Wechselwirkungen würde entscheidende Hinweise auf die Eigenschaften Dunkler Materie liefern.

Es war jedoch eine große Herausforderung, die subtilen Anzeichen von Selbstwechselwirkungen dunkler Materie von anderen kosmischen Effekten zu unterscheiden, wie sie etwa durch aktive galaktische Kerne (AGN) – die supermassiven schwarzen Löcher im Zentrum von Galaxien – verursacht werden. AGN-Rückkopplungen können Materie auf ähnliche Weise hin und her schieben wie dunkle Materie, sodass es schwierig ist, die beiden Effekte voneinander zu unterscheiden.

In einem bedeutenden Fortschritt hat der Astronom David Harvey am Labor für Astrophysik der EPFL einen Deep-Learning-Algorithmus entwickelt, der diese komplexen Signale entwirren kann. Die Forschung wurde veröffentlicht in Naturastronomie.

Ihre KI-basierte Methode soll zwischen den Effekten der Selbstwechselwirkungen der Dunklen Materie und denen der AGN-Rückkopplung unterscheiden, indem sie Bilder von Galaxienhaufen analysiert – riesige Ansammlungen von Galaxien, die durch die Schwerkraft zusammengehalten werden. Die Innovation verspricht, die Genauigkeit von Studien zur Dunklen Materie deutlich zu verbessern.

Harvey trainierte ein Convolutional Neural Network (CNN), eine Art KI, die besonders gut darin ist, Muster in Bildern zu erkennen, mit Bildern aus dem BAHAMAS-SIDM Projekt, das Galaxienhaufen unter verschiedenen Szenarien mit Dunkler Materie und AGN-Rückkopplung modelliert. Durch die Fütterung mit Tausenden simulierter Galaxienhaufenbilder lernte das CNN, zwischen den Signalen zu unterscheiden, die durch Selbstwechselwirkungen mit Dunkler Materie verursacht werden, und denen, die durch AGN-Rückkopplung verursacht werden.

Unter den verschiedenen getesteten CNN-Architekturen erwies sich die komplexeste – „Inception“ genannt – auch als die genaueste. Die KI wurde anhand von zwei primären Dunkle-Materie-Szenarien mit unterschiedlichen Selbstinteraktionsstufen trainiert und anhand zusätzlicher Modelle validiert, darunter ein komplexeres, geschwindigkeitsabhängiges Dunkle-Materie-Modell.

Inception erreichte unter idealen Bedingungen eine beeindruckende Genauigkeit von 80 % und konnte so effektiv feststellen, ob Galaxienhaufen von selbstwechselwirkender Dunkler Materie oder AGN-Rückkopplung beeinflusst wurden. Die hohe Leistung blieb auch dann erhalten, als die Forscher realistisches Beobachtungsrauschen einführten, das die Art von Daten nachahmt, die wir von zukünftigen Teleskopen wie Euclid erwarten.

Das bedeutet, dass sich Inception und der KI-Ansatz im Allgemeinen als unglaublich nützlich erweisen könnten, um die riesigen Datenmengen zu analysieren, die wir aus dem Weltraum sammeln. Darüber hinaus deutet die Fähigkeit der KI, mit bisher unbekannten Daten umzugehen, darauf hin, dass sie anpassungsfähig und zuverlässig ist, was sie zu einem vielversprechenden Werkzeug für die zukünftige Erforschung der dunklen Materie macht.

KI-basierte Ansätze wie Inception könnten unser Verständnis davon, was dunkle Materie eigentlich ist, erheblich beeinflussen. Da neue Teleskope beispiellose Datenmengen sammeln, wird diese Methode den Wissenschaftlern helfen, diese schnell und genau zu durchforsten und möglicherweise die wahre Natur der dunklen Materie zu enthüllen.