Karanlık maddenin kendisiyle etkileşime girdiği durumları, evrenin homurdanmalarından ayırmak hassas bir iş, ancak şimdi bir araştırmacı bu işi kolaylaştırabilecek bir algoritma geliştirdi.
Derin öğrenme algoritması (evet, nominal olarak AI’dır) karanlık madde kendi kendine etkileşimlerini, çekirdeklerinde süper kütleli kara delikler bulunan aktif galaktik çekirdekler gibi gürültülü kozmik kaynaklar tarafından üretilen geri bildirimlerden ayırt edebilir. Yaklaşımı tanımlayan araştırma yayınlandı bugün Doğa Astronomi.
Karanlık madde, evrenin bizim göremediğimiz yaklaşık %27’sinin genel adıdır. Başka bir deyişle, evrenin ışık yaymayan devasa bir madde parçası vardır ve bu da teleskopların doğrudan görmesini imkansız hale getirir. Ancak karanlık madde çevresiyle kütleçekimsel olarak etkileşime girer, bu nedenle araştırmacılar galaksilerin etrafındaki halelerde ve sözde Einstein halkalarında olduğu gibi etkilerini büyük ölçeklerde görebilirler.
Evrenin karmaşası içinde ara sıra kendisiyle etkileşime giren bu ince karanlık madde sinyallerini bulmak için araştırmacı—École Polytechnique Fédérale de Lausanne’da bir gökbilimci olan David Harvey—BAHAMAS-SIDM projesinden alınan görüntüler üzerinde bir evrişimli sinir ağı eğitti. Üniversite yayınına göre proje, “farklı karanlık madde ve AGN geri bildirim senaryoları altında galaksi kümelerini modelliyor.” Sinir ağı bu galaksi kümelerinin görüntüleriyle beslendiğinde, karanlık madde etkileşimleriyle ilişkili sinyalleri galaktik çekirdeklerin neden olduğu sinyallerden ayırmayı öğrendi.
Harvey, çalışmasında “Zayıf mercek bilgisi öncelikle kendi kendine etkileşen karanlık maddeyi farklılaştırırken, X-ışını bilgisi astrofiziksel geri bildirimin farklı modellerini çözer” diye yazdı.
En doğru sinir ağı Inception olarak adlandırıldı. Inception ideal koşullarda %80’lik bir doğruluğa ulaştı ve sisteme gözlemsel gürültü eklendiğinde bu performansı korudu. Gözlemsel gürültü, karanlık madde ve karanlık enerji araştırmasında milyarlarca galaksiyi görüntüleyecek olan ESA’nın 1,4 dolarlık uzay teleskopu Euclid gibi herhangi bir teleskop verisinde beklenebilir.
Harvey makalede şunları ekledi: “Bu yöntem, mevcut yöntemlerden çok daha hassas ve çok daha hızlı olan, gelecekteki teleskoplardan gelen verileri analiz etmenin bir yolunu temsil ediyor ve bu da karanlık maddenin özelliklerini daha önce hiç olmadığı gibi keşfetmemizi sağlıyor.”
Karanlık maddeden hangi parçacıkların veya olguların sorumlu olduğunu belirlemekten hâlâ çok uzağız, AI’nın konuya yaklaşımı bilim insanlarının bilinmeyen şeylerin doğası hakkındaki keşiflerini hızlandırabilir. Euclid gibi teleskoplar sayesinde araştırmacılar cevap arayışlarında elemek için yığınla veriye sahipler. Inception’ın temelini oluşturanlar gibi algoritmalar bu verilerin araştırılmasını hızlandırabilir.