AI는 암흑 물질과 우주 소음을 구별하는 데 도움이 됩니다.

암흑 물질은 우주를 하나로 묶는 보이지 않는 힘입니다. 우리는 그렇게 생각합니다. 그것은 모든 물질의 약 85%, 우주 내용물의 약 27%를 구성하지만, 우리는 그것을 직접 볼 수 없기 때문에 은하계와 다른 우주 구조에 미치는 중력 효과를 연구해야 합니다. 수십 년간의 연구에도 불구하고 암흑 물질의 진정한 본질은 과학에서 가장 이해하기 어려운 질문 중 하나로 남아 있습니다.

주요 이론에 따르면, 암흑 물질은 중력을 제외하고는 다른 어떤 것과도 거의 상호 작용하지 않는 입자 유형일 수 있습니다. 하지만 일부 과학자들은 이 입자들이 가끔 서로 상호 작용할 수 있다고 믿습니다. 이 현상을 자기 상호 작용이라고 합니다. 이러한 상호 작용을 감지하면 암흑 물질의 속성에 대한 중요한 단서를 얻을 수 있습니다.

그러나 암흑 물질의 자기 상호작용의 미묘한 징후를 활성 은하핵(AGN)(은하 중심부의 초거대 블랙홀)에 의해 발생하는 것과 같은 다른 우주적 효과와 구별하는 것은 큰 과제였습니다. AGN 피드백은 암흑 물질의 효과와 유사한 방식으로 물질을 밀어낼 수 있으므로 둘을 구별하기 어렵습니다.

EPFL 천체물리학 연구실의 천문학자 데이비드 하비는 중요한 진전으로, 이 복잡한 신호를 풀어낼 수 있는 딥러닝 알고리즘을 개발했습니다. 그들의 AI 기반 방법은 중력으로 결합된 거대한 은하계 집합체인 은하계 군집의 이미지를 분석하여 암흑 물질 자체 상호 작용의 효과와 AGN 피드백의 효과를 구별하도록 설계되었습니다. 이 혁신은 암흑 물질 연구의 정확도를 크게 향상시킬 것을 약속합니다.

하비는 이미지의 패턴을 인식하는 데 특히 뛰어난 AI인 합성 신경망(CNN)을 다양한 암흑 물질과 AGN 피드백 시나리오에서 은하계 군집을 모델링하는 BAHAMAS-SIDM 프로젝트의 이미지로 훈련시켰습니다. CNN은 수천 개의 시뮬레이션된 은하계 군집 이미지를 제공받아 암흑 물질 자체 상호 작용으로 인해 발생하는 신호와 AGN 피드백으로 인해 발생하는 신호를 구별하는 법을 배웠습니다.

테스트된 다양한 CNN 아키텍처 중에서 가장 복잡한 "인셉션"이라는 아키텍처가 가장 정확한 것으로 입증되었습니다. AI는 서로 다른 수준의 자체 상호 작용을 특징으로 하는 두 가지 주요 다크 매터 시나리오에서 훈련을 받았고, 더 복잡하고 속도에 따라 달라지는 다크 매터 모델을 포함한 추가 모델에서 검증되었습니다.

Inception은 이상적인 조건에서 80%라는 인상적인 정확도를 달성하여 은하계 군집이 자기상호작용하는 암흑 물질 또는 AGN 피드백의 영향을 받았는지 효과적으로 식별했습니다. 연구자들이 유클리드와 같은 미래 망원경에서 기대하는 종류의 데이터를 모방하는 현실적인 관측 노이즈를 도입했을 때에도 높은 성능을 유지했습니다.

이것이 의미하는 바는 Inception과 더 일반적으로 AI 접근 방식이 우주에서 수집한 엄청난 양의 데이터를 분석하는 데 매우 유용할 수 있다는 것입니다. 게다가 AI가 보이지 않는 데이터를 처리하는 능력은 적응력이 뛰어나고 신뢰할 수 있음을 나타내므로 미래의 암흑 물질 연구에 유망한 도구가 될 것입니다.

Inception과 같은 AI 기반 접근법은 암흑 물질이 실제로 무엇인지에 대한 우리의 이해에 상당한 영향을 미칠 수 있습니다. 새로운 망원경이 전례 없는 양의 데이터를 수집함에 따라 이 방법은 과학자들이 빠르고 정확하게 데이터를 걸러내는 데 도움이 되어 암흑 물질의 진정한 본질을 밝혀낼 가능성이 있습니다.

출처: https://www.sciencedaily.com/releases/2024/09/240906141702.htm