Китайские физики применили «интерпретируемый ИИ» для раскрытия свойств темной материи

Исследователи из Синьцзянской астрономической обсерватории (XAO) при Китайской академии наук представили новую архитектуру нейросети CKAN (Convolutional Kolmogorov-Arnold Network). Главная особенность разработки — способность переводить скрытые процессы обучения в понятные символические формулы. Это решает проблему «черного ящика» в машинном обучении, когда алгоритм дает результат, но не может объяснить логику решения.

Работа, опубликованная в журнале The Astronomical Journal, направлена на изучение свойств темной материи в скоплениях галактик. Традиционная модель холодной темной материи (CDM) имеет расхождения с наблюдениями на малых масштабах. В качестве альтернативы рассматривается модель самовоздействующей темной материи (SIDM).

Нейросеть CKAN проанализировала симуляции гало темной материи и выявила ключевые параметры для их обнаружения: смещение центра гало и теплопроводность. Алгоритм позволил получить количественную оценку: для обнаружения эффекта самовоздействия в реальных наблюдениях сечение взаимодействия частиц должно находиться в диапазоне 0,1-0,3 см²/г.

Для проверки надежности метода ученые протестировали CKAN на зашумленных данных, имитирующих технические характеристики телескопов Euclid и James Webb (JWST). Тесты показали, что интерпретируемая сеть сохраняет высокую точность распознавания даже при наличии инструментальных помех.

Разработка позволит астрофизикам использовать ИИ не только для классификации снимков, но и для вывода новых физических законов на основе данных будущих космических миссий.