Memisahkan contoh materi gelap yang berinteraksi dengan dirinya sendiri dari gerutuan alam semesta merupakan tugas yang rumit, tetapi sekarang, seorang peneliti telah mengembangkan suatu algoritma yang dapat menyederhanakan pekerjaan itu.
Algoritme pembelajaran mendalam (ya, ini adalah AI) mampu membedakan interaksi diri materi gelap dari umpan balik yang dihasilkan oleh sumber kosmik yang keras, seperti inti galaksi aktif dengan lubang hitam supermasif di intinya. Penelitian yang menjelaskan pendekatan ini dipublikasikan hari ini di Astronomi Alam.
Materi gelap adalah istilah umum untuk sekitar 27% alam semesta yang tidak terlihat oleh kita. Dengan kata lain, ada sebagian besar materi alam semesta yang tidak memancarkan cahaya, sehingga mustahil bagi teleskop untuk melihatnya secara langsung. Akan tetapi, materi gelap berinteraksi dengan lingkungannya secara gravitasi, sehingga para peneliti dapat melihat dampaknya pada skala masif, seperti pada lingkaran cahaya di sekitar galaksi dan pada apa yang disebut cincin Einstein.
Untuk menemukan sinyal-sinyal halus dari materi gelap yang kadang-kadang berinteraksi dengan dirinya sendiri di tengah hiruk-pikuk alam semesta, peneliti—David Harvey, seorang astronom di École Polytechnique Fédérale de Lausanne—melatih jaringan saraf konvolusional pada gambar-gambar dari proyek BAHAMAS-SIDM. Proyek tersebut “memodelkan gugus galaksi di bawah berbagai skenario umpan balik materi gelap dan AGN,” menurut rilis universitas. Saat jaringan saraf diberi gambar-gambar gugus galaksi ini, ia belajar untuk menyaring sinyal-sinyal yang terkait dengan interaksi materi gelap dari sinyal-sinyal yang disebabkan oleh inti galaksi.
“Informasi lensa lemah terutama membedakan materi gelap yang berinteraksi sendiri, sedangkan informasi sinar-X mengurai berbagai model umpan balik astrofisika,” tulis Harvey dalam penelitian tersebut.
Jaringan saraf yang paling akurat diberi nama Inception. Inception mencapai akurasi 80% dalam kondisi ideal, dan mempertahankan kinerja tersebut saat gangguan observasional ditambahkan ke sistem. Gangguan observasional diharapkan dalam data teleskop apa pun, seperti yang berasal dari Euclid, teleskop antariksa ESA seharga $1,4, yang akan mengambil gambar miliaran galaksi dalam penyelidikannya terhadap materi gelap dan energi gelap.
“Metode ini merupakan cara untuk menganalisis data dari teleskop masa depan yang jauh lebih akurat dan jauh lebih cepat daripada metode saat ini, sehingga memungkinkan kita untuk mengeksplorasi sifat-sifat materi gelap seperti yang belum pernah terjadi sebelumnya,” Harvey menambahkan dalam makalah tersebut.
Meskipun kita masih jauh dari mengidentifikasi partikel atau fenomena apa yang bertanggung jawab atas materi gelap, pendekatan AI terhadap masalah ini dapat mempercepat penemuan ilmuwan tentang sifat materi yang tidak diketahui tersebut. Berkat teleskop seperti Euclid, para peneliti memiliki banyak sekali data untuk disaring dalam pencarian mereka untuk mendapatkan jawaban. Algoritme seperti yang mendukung Inception dapat mempercepat penyelidikan data tersebut.