La materia oscura è la forza invisibile che tiene insieme l’Universo, o almeno così pensiamo. Costituisce circa l’85% di tutta la materia e circa il 27% del contenuto dell’Universo, ma poiché non possiamo vederla direttamente, dobbiamo studiarne gli effetti gravitazionali sulle galassie e altre strutture cosmiche. Nonostante decenni di ricerca, 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 credono che queste particelle potrebbero occasionalmente interagire tra loro, un fenomeno noto come autointerazione. Rilevare tali interazioni offrirebbe indizi cruciali sulle proprietà della materia oscura.
Il mistero della vera natura della materia oscura
Distinguere i sottili segnali delle autointerazioni della materia oscura da altri effetti cosmici, come quelli causati dai nuclei galattici attivi (AGN), i buchi neri supermassicci al centro delle galassie, è stata una sfida importante. Il feedback degli AGN può spingere la materia in modi simili agli effetti della materia oscura, rendendo difficile distinguerli.
In un significativo passo avanti, l’astronomo David Harvey del Laboratorio di astrofisica dell’EPFL ha sviluppato un algoritmo di apprendimento profondo in grado di districare questi segnali complessi. La ricerca è stata pubblicata su Nature Astronomy.
Il loro metodo basato sull’intelligenza artificiale è progettato per distinguere tra gli effetti delle autointerazioni della materia oscura e quelli del feedback degli AGN analizzando le immagini degli ammassi di galassie, vaste raccolte di galassie legate insieme dalla gravità. L’innovazione promette di migliorare notevolmente la precisione degli studi sulla materia oscura.
Harvey ha addestrato una Convolutional Neural Network (CNN), un tipo di IA particolarmente efficace nel riconoscere pattern nelle immagini, con immagini del progetto BAHAMAS-SIDM , che modella ammassi di galassie in diversi scenari di feedback di materia oscura e AGN. Grazie all’alimentazione con migliaia di immagini simulate di ammassi di galassie, la CNN ha imparato a distinguere tra i segnali causati dalle autointerazioni di materia oscura e quelli causati dal feedback AGN.
Tra le varie architetture CNN testate, la più complessa, denominata “Inception”, si è dimostrata anche la più accurata. L’IA è stata addestrata su due scenari primari di materia oscura, caratterizzati da diversi livelli di autointerazione, e convalidata su modelli aggiuntivi, tra cui un modello di materia oscura più complesso e dipendente dalla velocità.
Inception ha raggiunto un’accuratezza impressionante dell’80% in condizioni ideali, identificando efficacemente se gli ammassi di galassie erano influenzati dalla materia oscura auto-interagente o dal feedback AGN. Ha mantenuto le sue elevate prestazioni anche quando i ricercatori hanno introdotto un rumore di osservazione realistico che imita il tipo di dati che ci aspettiamo dai futuri telescopi come Euclid.
Ciò significa che Inception, e l’approccio AI più in generale, potrebbero rivelarsi incredibilmente utili per analizzare le enormi quantità di dati che raccogliamo dallo spazio. Inoltre, la capacità dell’AI di gestire dati invisibili indica che è adattabile e affidabile, il che la rende uno strumento promettente per la futura ricerca sulla m. oscura.
Approcci basati sull’intelligenza artificiale come Inception potrebbero avere un impatto significativo sulla nostra comprensione di cosa sia effettivamente la m. oscura. Mentre i nuovi telescopi raccolgono quantità di dati senza precedenti, questo metodo aiuterà gli scienziati a setacciarli rapidamente e accuratamente, rivelando potenzialmente la vera natura della m. oscura.
