우주의 노이즈로부터 암흑 물질이 자기 자신과 상호작용하는 사례를 분리하는 것은 섬세한 작업이지만, 이제 한 연구자가 이 작업을 단순화할 수 있는 알고리즘을 개발했습니다.
딥 러닝 알고리즘(맞아요, 명목상 AI입니다)은 암흑 물질의 자기 상호작용과 핵에 초거대 블랙홀이 있는 활성 은하핵과 같은 노이즈가 많은 우주적 소스에서 생성된 피드백을 구별할 수 있습니다. 이 접근 방식을 설명하는 연구는 다음과 같습니다. 게시됨 오늘 자연의 천문학.
암흑 물질은 우리에게 보이지 않는 우주의 약 27%를 일컫는 일반명입니다. 다시 말해, 우주에는 빛을 내지 않는 물질이 많아서 망원경으로 직접 관찰할 수 없습니다. 그러나 암흑 물질은 주변 환경과 중력적으로 상호 작용하므로 연구자들은 은하 주변의 후광이나 소위 아인슈타인 링과 같이 거대한 규모에서 그 효과를 볼 수 있습니다.
우주의 번잡함 속에서 가끔씩 자기 자신과 상호작용하는 암흑 물질의 미묘한 징후를 찾기 위해, 로잔 연방 공대의 천문학자인 연구원 데이비드 하비는 BAHAMAS-SIDM 프로젝트의 이미지에 합성 신경망을 훈련시켰습니다. 대학의 성명에 따르면, 이 프로젝트는 “다양한 암흑 물질과 AGN 피드백 시나리오에서 은하계 군집을 모델링합니다.” 신경망에 이러한 은하계 군집의 이미지가 공급되면서, 암흑 물질 상호작용과 관련된 신호와 은하핵에서 발생한 신호를 분리하는 법을 배웠습니다.
하비는 연구에서 “약한 렌즈 정보는 주로 자기상호작용하는 암흑 물질을 구별하는 반면, X선 정보는 다양한 천체물리학 피드백 모델을 풀어낸다”고 기술했습니다.
가장 정확한 신경망은 Inception이라고 불렸습니다. Inception은 이상적인 조건에서 80%의 정확도를 달성했으며 시스템에 관측 노이즈가 추가되었을 때에도 이 성능을 유지했습니다. 관측 노이즈는 모든 망원경 데이터에서 예상되며, 예를 들어 ESA의 14억 달러 우주 망원경인 Euclid에서 나오는 데이터에서는 암흑 물질과 암흑 에너지를 조사하여 수십억 개의 은하를 이미지화할 것입니다.
하비는 논문에서 “이 방법은 현재 방법보다 훨씬 더 정확하고 훨씬 빠른 미래 망원경의 데이터 분석 방법을 나타내며, 이를 통해 전에 없던 방식으로 암흑 물질의 속성을 탐구할 수 있게 해준다”고 덧붙였다.
우리는 아직 암흑 물질의 원인이 되는 입자나 현상을 식별하기에는 먼 길이지만, 이 질문에 대한 AI 접근 방식은 과학자들이 알려지지 않은 물질의 본질에 대한 발견을 가속화할 수 있습니다. 유클리드와 같은 망원경 덕분에 연구자들은 답을 찾기 위해 걸러낼 수 있는 방대한 데이터를 보유하고 있습니다. 인셉션의 기반이 되는 것과 같은 알고리즘은 그 데이터에 대한 조사를 가속화할 수 있습니다.
