Темная материя vs. космический шум: как ИИ помогает ученым в этой битве

Вселенная хранит множество загадок, и одной из самых интригующих остается природа темной материи. Несмотря на то, что она составляет около 85% всей материи во Вселенной, мы не можем ее наблюдать напрямую, а ее присутствие выдает лишь гравитационное воздействие на видимые объекты, такие как галактики и скопления галактик. На протяжении десятилетий ученые пытались разгадать тайну темной материи, выдвигая различные гипотезы о ее свойствах и взаимодействиях.

Долгое время доминирующей теорией была модель холодной и невзаимодействующей темной материи, которая, несомненно, добилась успеха в объяснении многих космологических явлений, включая формирование крупномасштабной структуры Вселенной. Однако с появлением более точных астрономических наблюдений стали проявляться расхождения между предсказаниями этой модели и наблюдательными данными, особенно на масштабах галактик и их скоплений.

Эти расхождения подтолкнули ученых к разработке альтернативных моделей, одна из которых — теория самовзаимодействующей темной материи (SIDM). Согласно этой теории, частицы темной материи могут взаимодействовать друг с другом, пусть и слабо, что влияет на распределение массы в галактиках и скоплениях галактик.

Но возникает проблема: как отличить влияние самовзаимодействия темной материи от влияния астрофизических процессов, таких как активность сверхмассивных черных дыр в центрах галактик? Ведь оба фактора могут приводить к схожим наблюдательным эффектам, создавая путаницу для астрофизиков.

Для решения этой задачи ученые обратились к мощному инструменту — искусственному интеллекту. В центре нового метода, разработанного для поиска признаков SIDM, лежит сверточная нейронная сеть (CNN). CNN — это тип нейронной сети, которая особенно хорошо справляется с анализом изображений, умея распознавать сложные закономерности и классифицировать объекты. В данном случае CNN обучается на изображениях скоплений галактик, полученных из гидродинамических симуляций.

Для обучения сети использовались данные из проекта BAHAMAS-SIDM. Этот проект моделирует эволюцию скоплений галактик, учитывая различные сценарии самовзаимодействия темной материи, а также все известные источники астрофизической обратной связи, такие как звездообразование, охлаждение газа и активность сверхмассивных черных дыр. Таким образом, CNN получает максимально полную картину возможных физических процессов, влияющих на структуру скоплений галактик.

В качестве входных данных для CNN используются не просто фотографии скоплений галактик, а специально подготовленные карты. Во-первых, это карты распределения массы, полученные с помощью гравитационного линзирования — эффекта искривления света от далеких источников под действием гравитации массивных объектов. Во-вторых, это карты распределения звездного вещества, полученные из оптических наблюдений. И наконец, это карты рентгеновского излучения, исходящего от горячего газа в скоплениях галактик. Каждая из этих карт несет информацию о разных физических процессах, а их совместный анализ позволяет CNN уловить тонкие различия между моделями темной материи.

В результате обучения сеть смогла с высокой точностью классифицировать изображения скоплений галактик по моделям темной материи, различая сценарии с самовзаимодействием и без него. Более того, CNN научилась отличать влияние самовзаимодействия темной материи от влияния астрофизических процессов, что является ключевым моментом для корректной интерпретации наблюдательных данных.

Новый метод открывает захватывающие перспективы для изучения темной материи. В ближайшие годы в космос будут запущены новые мощные телескопы, такие как Euclid, которые соберут огромное количество данных о скоплениях галактик. Применение метода, основанного на CNN, позволит эффективно анализировать этот поток информации, получая беспрецедентно точные ограничения на параметры самовзаимодействия темной материи.

Несмотря на то, что на данный момент метод успешно протестирован лишь на симулированных данных, ученые уже планируют его применение к реальным астрономическим наблюдениям. Это исследование демонстрирует, как искусственный интеллект становится незаменимым инструментом в современной космологии, помогая разгадывать самые глубокие тайны Вселенной.