暗物质是维系宇宙的无形力量——至少我们是这么认为的。它约占所有物质的 85%，约占宇宙内容的 27%，但由于我们无法直接看到它，所以我们必须研究它对星系和其他宇宙结构的引力影响。尽管经过了几十年的研究，暗物质的真正本质仍然是科学界最难解答的问题之一。

根据主流理论，暗物质可能是一种几乎不与其他物质发生相互作用的粒子，除非通过引力。但一些科学家认为，这些粒子偶尔会相互作用，这种现象被称为自相互作用。探测此类相互作用将为了解暗物质的性质提供重要线索。

然而，区分暗物质自相互作用的细微迹象与其他宇宙效应(如活动星系核(AGN)，即星系中心的超大质量黑洞)的效应)一直是一项重大挑战。AGN 反馈可以以类似于暗物质效应的方式推动物质，因此很难区分两者。

洛桑联邦理工学院天体物理实验室的天文学家 David Harvey 取得了重大进展，他开发了一种深度学习算法，可以解开这些复杂的信号。这项研究发表在《自然天文学》杂志上。

他们基于人工智能的方法旨在通过分析星系团(由引力束缚在一起的大量星系)的图像来区分暗物质自相互作用的影响和 AGN 反馈的影响。这项创新有望大大提高暗物质研究的精确度。

哈维使用BAHAMAS-SIDM项目的图像训练了卷积神经网络 (CNN)，这是一种特别擅长识别图像模式的人工智能，该项目模拟了不同暗物质和 AGN 反馈情景下的星系团。通过输入数千张模拟星系团图像，CNN 学会了区分暗物质自相互作用引起的信号和 AGN 反馈引起的信号。