Un equipo de investigación del Observatorio Astronómico de Xinjiang (XAO) de la Academia China de Ciencias ha desarrollado un marco de inteligencia artificial (IA) interpretable, denominado Red Convolucional de Kolmogorov-Arnold (CKAN), que arroja nueva luz sobre las propiedades de la materia oscura a escala de cúmulos de galaxias.
El trabajo, dirigido por el estudiante de maestría Huang Zhenyang bajo la supervisión del profesor Wang Na y Liu Zhiyong, se publicó en The Astronomical Journal.
Retos en la investigación de la materia oscura
La naturaleza de la materia oscura es una de las preguntas abiertas más urgentes de la astrofísica moderna. Si bien el paradigma de la materia oscura fría (CDM) explica con éxito la estructura a gran escala del universo, enfrenta diversas tensiones a escalas menores, como en los núcleos de los cúmulos de galaxias. Los modelos de materia oscura autointeractuantes ofrecen una explicación alternativa convincente para estas discrepancias a pequeña escala. Con el rápido desarrollo del aprendizaje automático, la IA se ha convertido en una herramienta cada vez más importante para la exploración del universo.
Estudios previos de gran influencia realizados por investigadores de la Escuela Politécnica Federal de Lausana han demostrado que las redes neuronales convolucionales (CNN) pueden extraer características estructurales extremadamente sutiles de simulaciones de cúmulos de galaxias que incluyen física bariónica compleja, distinguiendo así eficazmente entre diferentes modelos de materia oscura. Esto sentó las bases para el uso de la IA para abordar este antiguo problema físico.
Presentación del marco CKAN
Sin embargo, a pesar de su impresionante rendimiento, las CNN convencionales son grandes modelos de caja negra cuya toma de decisiones interna es difícil de interpretar, lo que, en cierta medida, limita el progreso futuro en este campo.
Para superar esta limitación, los investigadores de la XAO desarrollaron el marco CKAN, basado en el teorema de representación de Kolmogorov-Arnold. En CKAN, las funciones de activación aprendibles reemplazan las formas de activación fijas tradicionales. Manteniendo una alta precisión de clasificación, la estructura interna de CKAN puede ser plasmada en una representación simbólica, lo que mejora sustancialmente la interpretabilidad de la red.
Hallazgos clave e implicaciones
El análisis de la red representada simbólicamente muestra que la red de IA se centra espontáneamente en magnitudes físicas clave, como el descentrado entre el centro del halo de materia oscura y el centro del cúmulo, así como en las características de conducción térmica en la región del núcleo del cúmulo. Estas características, extraídas automáticamente, son cualitativamente consistentes con las expectativas teóricas existentes y ayudan a los investigadores a comprender los mecanismos internos de toma de decisiones de la red neuronal.
Con base en esto, los investigadores combinaron pruebas de rendimiento de la red con diagnósticos de interpretabilidad para obtener una inferencia cuantitativa: a escala de cúmulos de galaxias, para que las señales de autointeracciones de materia oscura se identifiquen de forma fiable en las observaciones, la sección eficaz de autointeracción debe ser al menos del orden de 0,1–0,3 cm²g⁻¹. Este umbral es consistente con análisis independientes recientes basados en simulaciones de cúmulos de galaxias.
Además, los investigadores incorporaron ruido observacional simulado, construido utilizando características instrumentales como el Telescopio Espacial James Webb y Euclid, para probar la robustez de CKAN. Incluso en estas condiciones más realistas, CKAN mantuvo una sólida capacidad de discriminación de modelos e identificación de características.
En conjunto, estos resultados demuestran que CKAN ofrece una nueva herramienta eficiente e interpretable para el estudio de la materia oscura con datos de sondeos de última generación. En términos más generales, este estudio representa un paso hacia la reducción de la brecha entre las simulaciones numéricas idealizadas y las observaciones reales, destacando el potencial de la IA interpretable para extraer características físicamente significativas y descubrir nuevos conocimientos a partir de datos astrofísicos.
Con información de The Astronomical Journal
Compártelo:
Descubre más desde SKYCR.ORG: NASA, exploración espacial y noticias astronómicas
Suscríbete y recibe las últimas entradas en tu correo electrónico.
