Image: Standbild einer Simulation der Entstehung von Strukturen aus dunkler Materie von den Anfängen des Universums bis heute. Unter dem Einfluss der Schwerkraft verklumpt die Dunkle Materie zu dichten Halos, die durch helle Flecken markiert sind und in denen sich Galaxien bilden. In dieser Simulation bildet sich ein Halo wie der, der die Milchstraße beherbergt, und ein kleinerer Halo, der der Großen Magellanschen Wolke ähnelt, fällt auf ihn zu. Forscher des SLAC und der Stanford University haben zusammen mit Mitarbeitern des Dark Energy Survey Simulationen dieser Art verwendet, um die Verbindung zwischen dunkler Materie und der Entstehung von Galaxien besser zu verstehen. Credit: Ralf Kaehler/Ethan Nadler/SLAC National Accelerator Laboratory.
Dunkle Materie ist die unsichtbare Kraft, von der wir glauben, dass sie das Universum zusammenhält. Sie macht etwa 85% der gesamten Materie und 27% des Inhalts des Universums aus. Und weil man sie nicht direkt sehen kann, müssen wir ihre gravitativen Auswirkungen auf Galaxien und andere kosmische Strukturen untersuchen. Trotz jahrzehntelanger Forschung gehört die wahre Natur der Dunklen Materie zu den Geheimnissen, die die Wissenschaft noch nicht entschlüsselt hat.
Einer führenden Theorie zufolge könnte die Dunkle Materie aus Teilchen bestehen, die praktisch nicht mit einem anderen Element wechselwirken, außer durch die Schwerkraft. Einige Wissenschaftler glauben jedoch, dass diese Teilchen gelegentlich miteinander interagieren könnten, ein Phänomen, das als Selbstinteraktion bezeichnet wird. Der Nachweis solcher Wechselwirkungen würde wichtige Informationen über die Eigenschaften der Dunklen Materie liefern.
Allerdings ist es eine große Herausforderung, die subtilen Anzeichen der Selbstwechselwirkungen der Dunklen Materie von anderen kosmischen Effekten zu unterscheiden, die beispielsweise von aktiven Galaxienkernen (AGK) - supermassiven Schwarzen Löchern im Zentrum von Galaxien - verursacht werden. Die Rückkopplung der NAGs kann Materie auf ähnliche Weise bewegen wie die Effekte der Dunklen Materie, was die Unterscheidung zwischen beiden erschwert.
An der EPFL hat der Astronom David Harvey vom Laboratorium für Astrophysik einen Deep-Learning-Algorithmus entwickelt, der diese komplexen Signale entwirren kann. Seine KI-basierte Methode zielt darauf ab, die Effekte der Selbstinteraktion der Dunklen Materie von denen der Rückkopplung der NAGs zu unterscheiden, indem er Bilder von Galaxienhaufen analysiert, also großen Ansammlungen von Galaxien, die durch die Schwerkraft miteinander verbunden sind. Diese Neuerung lässt erwarten, dass die Genauigkeit der Studien über die Dunkle Materie verbessert wird.
David Harvey trainierte ein Convolutive Neural Network (CNN) - eine Art von KI, die besonders effizient Muster in Bildern erkennt - mit Bildern des BAHAMAS-SIDM -Projekts, das Galaxienhaufen unter verschiedenen Szenarien von Dunkler Materie und NAG-Rückkopplung modelliert. Mit Tausenden von simulierten Bildern von Galaxienhaufen gefüttert, lernte das CNN, zwischen Signalen zu unterscheiden, die durch Selbstinteraktionen der Dunklen Materie und solchen, die durch NAG-Feedback verursacht werden.
Von den verschiedenen getesteten CNN-Architekturen erwies sich die komplexeste - genannt "Inception" - auch als die genaueste. Die KI wurde an zwei primären Dunkle-Materie-Szenarien mit unterschiedlichen Graden der Selbstinteraktion trainiert und an zusätzlichen Modellen validiert, darunter ein komplexeres, geschwindigkeitsabhängiges Modell der dunklen Materie.
Inception erreichte unter idealen Bedingungen eine beeindruckende Genauigkeit von 80% und konnte so feststellen, ob die Galaxienhaufen von der mit sich selbst wechselwirkenden Dunklen Materie oder von der Rückkopplung der NAGs beeinflusst wurden. Die Architektur behielt ihre hohe Leistungsfähigkeit auch dann bei, als die Forscherinnen und Forscher realistische Beobachtungsgeräusche einführten, die die Art von Daten nachbilden, die von zukünftigen Teleskopen wie Euclid erwartet werden.
Mit anderen Worten: Inception und generell der KI-basierte Ansatz könnten sich als sehr nützlich erweisen, um die riesigen Datenmengen zu analysieren, die wir im Weltraum sammeln. Darüber hinaus deutet die Fähigkeit der KI, neuartige Daten zu verarbeiten, darauf hin, dass sie anpassungsfähig und zuverlässig ist, was sie zu einem vielversprechenden Werkzeug für die zukünftige Erforschung der dunklen Materie macht.
