暗物质是宇宙的隐形支柱——至少我们是这样认为的。它构成了宇宙物质的85%，占总体内容的27%左右。尽管我们无法直接观测到它，但通过研究它对星系和其他宇宙结构的引力影响，我们可以推测其存在。然而，暗物质的真实本质仍然是科学界最神秘的谜团之一。
根据一种主流理论，暗物质可能是几乎不与其他物质相互作用的粒子，只通过引力影响宇宙。然而，一些科学家提出，这些粒子可能偶尔会发生自相互作用，这种现象被称为自相互作用。探测到这种相互作用将为揭示暗物质的性质提供关键线索。
然而，区分暗物质自相互作用的微妙迹象与其他宇宙效应，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，始终是一个巨大的挑战。AGN反馈可以以类似于暗物质的方式推动物质，使得区分两者变得困难。
EPFL天体物理实验室的天文学家David Harvey开发了一种深度学习算法，能够解开这些复杂的信号，这是向前迈出的重要一步。这项研究发表在《自然天文学》杂志上。
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巨大星系集合。这种创新有望显著提高暗物质研究的精度。
哈维训练了一个卷积神经网络（CNN），这种人工智能特别擅长识别图像模式，其图像来自BAHAMAS-SIDM项目，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，盗梦空间的准确率达到了令人印象深刻的80%，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来说，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[进爵孤锋]投稿，不代表杰星贝儿立场，如若转载，请注明出处：https://wiki.jilltissue.cn/kjsj/202411-2103.html
评论列表（4条）
我是杰星贝儿的签约作者“进爵孤锋”！
希望本篇文章《人工智能有助于区分暗物质和宇宙噪音＂(真的有挂)-知乎》能对你有所帮助！
本站[杰星贝儿]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：暗物质是宇宙的隐形支柱——至少我们是这样认为的。它构成了宇宙物质的85%，占总体内容的27%左右。尽管我们无法直接观测到它，但通过研究它对星系和其他宇宙结构的引力影响，我们可以...