模拟从早期宇宙到今天暗物质结构的形成。图片来源:Ralf Kaehler/Ethan Nadler/SLAC国家加速器实验室
EPFL开发的一种人工智能工具可以将暗物质的难以捉摸的效应与其他宇宙现象区分开来，这可能使我们更接近揭开暗物质的秘密。
图片:模拟从早期宇宙到今天暗物质结构形成的静态图像。重力使暗物质聚集成密集的光晕，由明亮的斑块表示 E星系形成。在这个模拟中，一个类似于银河系的光环形成了，一个类似于大麦哲伦星云的较小的光环向它坠落。SLAC和斯坦福大学的研究人员与暗能量调查的合作者合作，使用这样的模拟来更好地理解宇宙 暗物质与星系形成之间的联系。图片来源:Ralf Kaehler/Ethan Nadler/SLAC nation nal加速器实验室[1] 墨水)暗物质是维系宇宙的无形力量——至少我们是这么认为的。暗物质约占所有物质的85%，约占宇宙内容的27%，但由于我们无法直接看到暗物质，我们必须研究暗物质对星系和其他宇宙结构的引力作用。尽管经过了几十年的研究，暗物质的真实性质仍然是科学界最难以捉摸的问题之一。
根据一种主流理论，暗物质可能是一种除了通过引力外几乎不与其他任何物质相互作用的粒子。但一些科学家认为，这些粒子偶尔会相互作用，这种现象被称为自相互作用。探测到这种相互作用将为了解暗物质的性质提供关键线索。
然而，将暗物质自身相互作用的细微迹象与其他宇宙效应区分开来，比如由活动星系核(AGN)——星系中心的超大质量黑洞——引起的相互作用，一直是一项重大挑战。AGN反馈可以以与暗物质类似的方式推动物质，这使得很难将两者区分开来。
EPFL天体物理实验室的天文学家David Harvey已经开发出一种深度学习算法，可以解开这些复杂的信号，这是向前迈出的重要一步。他们基于人工智能的方法旨在通过分析星系团的图像来区分暗物质自身相互作用的影响和AGN反馈的影响。星系团是由引力结合在一起的大量星系的集合。这项创新有望大大提高暗物质研究的精度。
哈维训练了一个卷积神经网络(CNN)——一种特别擅长识别图像模式的人工智能——使用BAHAMAS-SIDM项目的图像，该项目在不同的暗物质和AGN反馈场景下模拟星系团。通过输入数千张模拟星系团图像，CNN学会了区分暗物质自相互作用引起的信号和AGN反馈引起的信号。
在测试的各种CNN架构中，最复杂的——被称为“盗梦空间”——被证明也是最准确的。人工智能在两个主要的暗物质场景中进行了训练，具有不同程度的自我相互作用，并在其他模型上进行了验证，包括一个更复杂的、依赖于速度的暗物质模型。
在理想条件下，inception达到了令人印象深刻的80%的准确率，有效地识别了星系团是受到自相互作用暗物质还是AGN反馈的影响。即使研究人员引入了真实的观测噪声，模仿了我们期望从欧几里得等未来望远镜获得的数据，它也保持了高性能。
这意味着盗梦空间——以及更广泛的人工智能方法——对于分析我们从太空收集的大量数据可能会非常有用。此外，人工智能处理看不见的数据的能力表明它具有适应性和可靠性，使其成为未来暗物质研究的有前途的工具。
本文来自作者[admin]投稿，不代表xfqse号立场，如若转载，请注明出处：https://m.xfqse.cn/keji/202507-1767.html
评论列表（4条）
我是xfqse号的签约作者“admin”！
希望本篇文章《人工智能帮助区分暗物质和宇宙噪音》能对你有所帮助！
本站[xfqse号]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览：...