Inteligencia artificial para ayudar a distinguir entre materia normal y materia oscura
La materia normal es la materia de la que está hecho todo aquello que conocemos, incluyendo los objetos astronómicos detectables directa o indirectamente por su radiación electromagnética.
La materia oscura es una fuerza invisible que mantiene unido el universo, o eso se cree. Por masa, constituye alrededor del 85% de toda la materia, pero como no podemos verla directamente ya que no emite radiación electromagnética, tenemos que estudiar sus efectos gravitatorios sobre las galaxias y otras estructuras cósmicas. A pesar de décadas de investigación, la verdadera naturaleza de la materia oscura (que no se corresponde con meros agujeros negros) sigue siendo una de las cuestiones más enigmáticas de la astrofísica.
Según una de las principales teorías, la materia oscura podría ser una población de partículas de una clase que apenas interactúa con su entorno, excepto a través de la gravedad. Pero algunos científicos creen que estas partículas podrían interactuar ocasionalmente entre ellas, un fenómeno conocido como autointeracción. La detección de tales interacciones ofrecería pistas cruciales sobre las propiedades de la materia oscura.
Sin embargo, distinguir las sutiles señales de las autointeracciones de la materia oscura de entre otros efectos cósmicos, como los causados con materia normal por los núcleos galácticos activos (los agujeros negros supermasivos y sus envoltorios, en el centro de las galaxias), ha sido un gran reto. Los núcleos galácticos activos pueden generar con la materia normal efectos similares a los de esa interacción teórica entre partículas de materia oscura, por lo que resulta difícil distinguir estos últimos efectos de los primeros.
En un significativo paso adelante, el astrónomo David Harvey, del Laboratorio de Astrofísica en la Escuela Politécnica Federal de Lausana (EPFL) en Suiza, ha desarrollado un sistema de inteligencia artificial que puede diferenciar entre ambas clases de señales. Este nuevo método está diseñado para distinguir entre los efectos de las autointeracciones de la materia oscura y los provocados por los núcleos galácticos activos con la materia normal, mediante el análisis de imágenes de cúmulos de galaxias (vastos conjuntos de galaxias que permanecen agrupadas por acción de la gravedad).
Harvey entrenó una red neural convolucional (una clase de inteligencia artificial que es particularmente buena reconociendo patrones en imágenes) con imágenes del proyecto BAHAMAS-SIDM, que confecciona modelos digitales de cúmulos de galaxias bajo diferentes escenarios teóricos de materia oscura y de núcleos galácticos activos. Al ser alimentada con miles de imágenes simuladas de cúmulos de galaxias, la nueva inteligencia artificial aprendió a distinguir entre las señales causadas por las autointeracciones de la materia oscura y las causadas por los efectos de los núcleos galácticos activos con la materia normal, con un nivel de aciertos del 80 por ciento.
La innovación promete aumentar enormemente el alcance de las investigaciones sobre la materia oscura.
Las estrategias basadas en inteligencia artificial podrían resultar decisivas para desentrañar qué es realmente la materia oscura. A medida que los nuevos telescopios especializados en rastrear materia oscura recolecten cantidades de datos sin precedentes, el nuevo método ayudará a los científicos a cribarlos con rapidez y precisión, prestando así una ayuda clave a los esfuerzos encaminados a averiguar la naturaleza de la materia oscura.
El estudio se titula “A deep-learning algorithm to disentangle self-interacting dark matter and AGN feedback models”.