瑞士洛桑联邦理工学院科研人员开发的这一深度学习算法利用了“卷积神经网络”技术，这是一类强大的、为处理图像数据而设计的神经网络。用源自一个宇宙学模型的大量模拟数据训练该算法后，在理想条件下，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达到80%。相关论文已发表在新一期英国《自然·天文学》杂志上。

　　通常认为暗物质是维系宇宙的无形力量，它约占所有物质的85%；暗物质不发光，也不参与其他电磁作用，因而无法直接观测，只能通过引力效应间接研究。此前研究发现，暗物质粒子之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这一现象的引力影响。

　　由多个星系组成的星系团拥有大量密集的暗物质，是研究暗物质的理想对象，但星系众多也导致其中有不少“噪音”。例如星系中央超大质量黑洞释放能量影响周围物质的运动，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。

　　该研究模拟了在不同暗物质和“活动星系核反馈”效应下的星系团。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区分由暗物质相互作用引起的信号和由“活动星系核反馈”引起的信号。

　　这一成果表明，人工智能可能在分析天文观测数据时非常有用，其表现出的适应性和可靠性特点使其成为未来暗物质等天文研究中很有前途的工具。

　　本网站转载的所有的文章、图片、音频视频文件等资料的版权归版权所有人所有。如因无法联系到作者侵犯到您的权益，请与本网站联系，我们将采取适当措施。