IA aiuta a distinguere la materia oscura dal rumore cosmico

Roma – Sviluppato un algoritmo di apprendimento profondo in grado di districare i segnali complessi delle auto-interazioni della materia oscura da altri effetti cosmici, come quelli causati dai nuclei galattici attivi, AGN, i buchi neri supermassicci al centro delle galassie. Descritto su Nature Astronomy, il metodo basato sull’intelligenza artificiale è stato progettato da David Harvey, astronomo del Laboratorio di Astrofisica dell’EPFL. Questo è in grado di distinguere gli effetti delle auto-interazioni della materia oscura da quelli del feedback degli AGN analizzando le immagini degli ammassi di galassie, vaste collezioni di galassie legate tra loro dalla gravità. L’innovazione promette di migliorare notevolmente la precisione degli studi sulla materia oscura, ritenuta la forza invisibile che tiene insieme l’universo. Costituisce circa l’85% di tutta la materia e circa il 27% del contenuto dell’universo, ma poiché non è visibile direttamente, è necessario studiare i suoi effetti gravitazionali sulle galassie e su altre strutture cosmiche. Nonostante decenni di ricerche, la vera natura della materia oscura rimane una delle domande più elusive della scienza. Secondo una delle principali teorie, la materia oscura potrebbe essere un tipo di particella che interagisce a malapena con qualsiasi altra cosa, se non attraverso la gravità. Ma alcuni scienziati ritengono che queste particelle possano occasionalmente interagire tra loro, un fenomeno noto come auto-interazione. L’individuazione di tali interazioni offrirebbe indizi cruciali sulle proprietà della materia oscura. Il feedback degli AGN può spingere la materia in modi simili agli effetti della materia oscura, rendendo difficile distinguere le due cose. Harvey ha addestrato una rete neurale convoluzionale, CNN, un tipo di intelligenza artificiale particolarmente abile nel riconoscere gli schemi nelle immagini, con le immagini del progetto BAHAMAS-SIDM, che modella gli ammassi di galassie in diversi scenari di retroazione di materia oscura e AGN. Alimentando migliaia di immagini simulate di ammassi di galassie, la CNN ha imparato a distinguere tra i segnali causati dalle autointerazioni della materia oscura e quelli causati dal feedback degli AGN. Tra le varie architetture CNN testate, la più complessa, soprannominata “Inception”, si è rivelata anche la più accurata. L’intelligenza artificiale è stata addestrata su due scenari primari di materia oscura, caratterizzati da diversi livelli di autointerazione, e convalidata su altri modelli, tra cui un modello di materia oscura più complesso, dipendente dalla velocità. Inception ha raggiunto un’impressionante accuratezza dell’80% in condizioni ideali, identificando efficacemente se gli ammassi di galassie erano influenzati dalla materia oscura auto-interagente o dal feedback degli AGN e ha mantenuto queste prestazioni elevate anche quando i ricercatori hanno introdotto un rumore osservativo realistico che imita il tipo di dati attesi dai futuri telescopi, come Euclid. Ciò significa che Inception, e più in generale l’approccio dell’intelligenza artificiale, potrebbe rivelarsi incredibilmente utile per analizzare le enormi quantità di dati raccolti dallo spazio. Inoltre, la capacità dell’intelligenza artificiale di gestire dati inediti indica che è adattabile e affidabile, il che la rende uno strumento promettente per la futura ricerca sulla materia oscura. Approcci basati sull’intelligenza artificiale, come Inception, potrebbero avere un impatto significativo sulla comprensione della materia oscura. Poiché i nuovi telescopi raccolgono quantità di dati senza precedenti, questo metodo aiuterà gli scienziati a vagliarli con rapidità e precisione, rivelando potenzialmente la vera natura della materia oscura. (30Science.com)