ИИ с прозрачной логикой поможет раскрыть природу тёмной материи

Исследователи из Синьцзянской астрономической обсерватории Китайской академии наук разработали интерпретируемую архитектуру искусственного интеллекта (ИИ) под названием Сверточная сеть Колмогорова–Арнольда (CKAN). Этот инструмент помогает изучать свойства тёмной материи на масштабах скоплений галактик.

Тест устойчивости CKAN к смоделированному шуму наблюдений. Зелёная и синяя кривые соответствуют уровням шума для телескопов JWST и Euclid соответственно. Автор: XAO

Работа, выполненная магистрантом Хуан Чжэньяном под руководством профессоров Ван На и Лю Чжиюна, была опубликована в The Astronomical Journal.

Проблема «чёрного ящика» и решение

Хотя свёрточные нейронные сети (CNN) уже показали способность различать модели тёмной материи по симуляциям скоплений галактик, их внутренняя логика остаётся неясной. Чтобы преодолеть это ограничение, команда создала CKAN на основе теоремы Колмогорова–Арнольда. В этой архитектуре обучаемые функции активации заменяют традиционные фиксированные, что позволяет преобразовать внутреннюю структуру сети в символическое представление, повышая её интерпретируемость без потери точности классификации.

Ключевые результаты

Анализ символического представления сети показал, что ИИ спонтанно фокусируется на ключевых физических величинах, таких как смещение между центром гало тёмной материи и центром скопления, а также особенности теплопроводности в ядре скопления. Эти автоматически извлечённые признаки качественно согласуются с существующими теоретическими ожиданиями.

На основе тестов производительности и диагностики интерпретируемости исследователи получили количественный вывод: для надёжного обнаружения признаков самовзаимодействия тёмной материи в наблюдениях скоплений галактик её сечение взаимодействия должно быть не менее 0.1–0.3 см²/г. Этот порог согласуется с недавними независимыми анализами.

Учёные также протестировали CKAN, добавив смоделированный шум наблюдений, соответствующий характеристикам инструментов телескопов «Джеймс Уэбб» и Euclid. Даже в этих реалистичных условиях сеть сохранила высокую способность к дискриминации моделей и идентификации признаков.

Результаты демонстрируют, что CKAN предлагает эффективный и интерпретируемый инструмент для изучения тёмной материи с данными обзоров следующего поколения, помогая сократить разрыв между идеализированными численными симуляциями и реальными наблюдениями.

Больше информации: Zhenyang Huang et al, An Interpretable AI Framework to Disentangle Self-interacting and Cold Dark Matter in Galaxy Clusters: The CKAN Approach, The Astronomical Journal (2025). DOI: 10.3847/1538-3881/ae0476

Источник: Chinese Academy of Sciences