瑞士研究人员成功开发出一种人工智能算法，能够在天文观测数据中有效分辨出与暗物质相关的信号，与易混淆的其他信号区分开来。

   由瑞士洛桑联邦理工学院科研人员打造的这一深度学习算法运用了 “卷积神经网络” 技术，此技术是一类专为处理图像数据而设计的强大神经网络。在经过源自一个宇宙学模型的大量模拟数据训练后，在理想状况下，该算法分析星系团图像时，区分暗物质信号与其他信号的准确率可达 80%。相关论文已在新一期英国《自然・天文学》杂志上发表。

   一般认为暗物质是维持宇宙的无形力量，约占所有物质的 85%。暗物质不发光且不参与其他电磁作用，无法直接观测，只能通过引力效应间接研究。以往研究表明，暗物质粒子间可能发生相互作用，影响暗物质的运动和分布，在星系尺度上可观测到其引力影响。

   由多个星系组成的星系团含有大量密集的暗物质，是研究暗物质的理想目标，但星系众多也带来了不少 “干扰”。比如星系中央超大质量黑洞释放能量影响周围物质运动所产生的 “活动星系核反馈” 效应，就容易与暗物质相互作用产生的效应相混淆。

   该研究对不同暗物质和 “活动星系核反馈” 效应下的星系团进行了模拟。通过输入数千张模拟的星系团图像，这一人工智能算法学会了辨别由暗物质相互作用引发的信号和由 “活动星系核反馈” 引发的信号。

   此项成果显示，人工智能在分析天文观测数据方面可能极具价值，其表现出的适应性和可靠性使其成为未来暗物质等天文研究中颇具前景的工具。

   声明：本站所使用的图片文字等素材均来源于互联网共享平台，并不代表本站观点及立场，如有侵权或异议请及时联系我们删除。