EPFL、宇宙ノイズとダークマター区別にAIが有用

September, 20, 2024, Lausanne--EPFLで開発されたAI搭載ツールは、ダークマターのとらえどころのない影響を他の宇宙現象と区別することができ、ダークマターの秘密を解き明かすことに近づく可能性がある。

ダークマターは、宇宙をまとめている目に見えない力である。全物質の約85%、宇宙の内容物の約27%を占めているが、直接見ることができないため、銀河やその他の宇宙構造に対する重力の影響を研究する必要がある。何十年にもわたる研究にもかかわらず、暗黒物質(ダークマター)の本質は、科学で最もとらえどころのない問題の1つである。

有力な理論によれば、ダークマターは、重力を介さない限り、他のものとほとんど相互作用しない粒子の一種である可能性がある。とは言え、一部の科学者は、これらの粒子が時折互いに相互作用する可能性があり、これは自己相互作用として知られる現象であると考えている。このような相互作用を検出することで、暗黒物質の特性に関する重要な手がかりが得られる。

しかし、ダークマターの自己相互作用の微妙な兆候を、活動銀河核(AGN)(銀河の中心にある超大質量ブラックホール)によって引き起こされるような他の宇宙効果と区別することは、大きな課題だった。AGNフィードバックは、暗黒物質の影響と同様の方法で物質を押しのけ、2つを区別するのを困難にする。

EPFLの天体物理学研究所の天文学者David Harveyは、これらの複雑な信号を解きほぐすことができる深層学習アルゴリズムを開発した。そのAIベースの手法は、重力によって結合した銀河団の膨大な集合体である銀河団の画像を分析することにより、ダークマターの自己相互作用の影響とAGNフィードバックの影響を区別するように設計されている。このイノベーションは、暗黒物質研究の精度を大幅に向上させる見込がある。

Harveyは、様々な暗黒物質とAGNフィードバックシナリオの下で銀河団をモデル化するBAHAMAS-SIDMプロジェクトの画像を使用して、畳み込みニューラルネットワーク(CNN)という画像のパターン認識に特に優れたAIの一種を訓練した。CNNは、シミュレートされた数千の銀河団画像を供給されることで、暗黒物質の自己相互作用によって引き起こされる信号とAGNフィードバックによって引き起こされる信号を区別することを学習した。

テストされた様々なCNNアーキテクチャの中で、最も複雑なアーキテクチャ(「インセプション」と呼ばれるもの)は、最も正確であることが証明された。このAIは、異なるレベルの自己相互作用を特徴とする2つの主要な暗黒物質シナリオで訓練され、より複雑で速度に依存する暗黒物質モデルを含む追加のモデルで検証された。

Inceptionは、理想的な条件下で80%という驚異的な精度を達成し、銀河団が自己相互作用する暗黒物質またはAGNフィードバックの影響を受けているかどうかを効果的に特定した。研究者がユークリッドのような将来の望遠鏡から期待されるようなデータを模倣したリアルな観測ノイズを導入したときでさえ、高性能を維持した。

これが意味するのは、インセプション(Inception)、より一般的なAIアプローチは、宇宙から収集した膨大な量のデータを分析するのに非常に役立つ可能性があるということである。さらに、AIの目に見えないデータを処理する能力は、AIが適応性と信頼性が高いことを示しており、将来の暗黒物質研究の有望なツールとなっている。