Chinesische Wissenschaftler nutzen künstliche Intelligenz, um die Natur der Dunklen Materie zu erforschen

Chinesische Forscher haben ein Modell künstlicher Intelligenz entwickelt, das Muster in astronomischen Daten erkennen kann und neue Einblicke in das Verhalten von dunkler Materie in Galaxienhaufen bietet.

Die Dynamik eines Galaxienhaufens wird von dunkler Materie bestimmt, die den größten Teil seiner Masse ausmacht. Ein neues KI-Modell ist nun in der Lage, diese Eigenschaften durch die Analyse von Haufen-Daten abzuleiten. Bildquelle: NASA

Eine der wichtigsten Methoden, mit denen Wissenschaftler dunkle Materie untersuchen, ist die Analyse von Daten aus Galaxienhaufen. Dunkle Materie spielt in diesen Systemen eine zentrale Rolle, da sie den größten Teil ihrer Gesamtmasse ausmacht. In den letzten Jahren werden zunehmend Modelle künstlicher Intelligenz eingesetzt, um Muster in Beobachtungsdaten und Simulationen zu suchen und Forschern dabei zu helfen, neue Erkenntnisse zu gewinnen.

Viele dieser Modelle weisen jedoch eine wesentliche Einschränkung auf. Sie funktionieren gut, bieten jedoch nur eine geringe physikalische Interpretierbarkeit, sodass es schwierig ist zu verstehen, was das Modell tatsächlich gelernt hat oder wie seine Ergebnisse mit der bekannten Physik zusammenhängen.

Um dieses Problem anzugehen, haben Physiker und Astronomen besser interpretierbare KI-Modelle entwickelt, die darauf ausgelegt sind, Darstellungen zu lernen, die analysiert und direkt mit mathematischen oder physikalischen Strukturen verknüpft werden können. Ein vielversprechender Ansatz nutzt Architekturen, bei denen Aktivierungsfunktionen nicht fest vorgegeben sind, sondern aus den Daten selbst gelernt werden. Dadurch lassen sich Abhängigkeiten zwischen physikalischen Größen leichter identifizieren und Ergebnisse mit theoretischen Modellen vergleichen.

Dunkle Materie

Dunkle Materie ist ein Bestandteil des Universums, der etwa 85 % aller Materie ausmacht. Sie interagiert nicht mit Licht und nimmt außer der Schwerkraft an keinen anderen Wechselwirkungen teil. Aus diesem Grund kann sie nur indirekt beobachtet werden, beispielsweise durch Effekte wie Rotationskurven von Galaxien, Dynamik von Galaxienhaufen, Gravitationslinsen und Muster in der kosmischen Mikrowellenhintergrundstrahlung.

Trotz jahrzehntelanger Forschung ist die mikroskopische Beschaffenheit der Dunklen Materie nach wie vor unbekannt. Wissenschaftler wissen immer noch nicht, aus welchen Teilchen sie besteht, wie sie entstanden ist oder ob sie über die Schwerkraft hinaus miteinander interagiert.

Das Standardmodell geht von kalter, nicht wechselwirkender dunkler Materie aus, was die großräumige kosmische Struktur gut erklärt, aber Schwierigkeiten hat, einige Phänomene auf kleineren Skalen zu erklären. Eine Alternative ist die selbstwechselwirkende dunkle Materie (SIDM), bei der Teilchen der dunklen Materie durch schwache Kollisionen miteinander wechselwirken. Diese Wechselwirkungen könnten Energie und Impuls innerhalb galaktischer Halos umverteilen und so bestimmte Beobachtungen in Galaxien und Galaxienhaufen erklären.

Interpretierbare neuronale Netze

Neuronale Netze werden in der Astronomie und Physik häufig für Aufgaben wie Klassifizierung, Regression und Mustererkennung eingesetzt. Eine große Herausforderung besteht jedoch darin, zu verstehen, warum ein Netz ein bestimmtes Ergebnis liefert. In der wissenschaftlichen Forschung erschwert diese mangelnde Interpretierbarkeit die Aufdeckung physikalischer Zusammenhänge und die Überprüfung von Hypothesen.

Das in Huang et al. (2025) vorgestellte Modell zeigt die CKAN-Architektur, die während des Lernprozesses trainierbare Aktivierungsfunktionen verwendet. Quelle: Huang et al. (2025)

Deswegen konzentrieren sich Forscher zunehmend auf die Entwicklung interpretierbarer neuronaler Netze, die physikalische Einschränkungen, gelernte Strukturen oder hybride Ansätze berücksichtigen. Diese Modelle können nicht nur Vorhersagen treffen, sondern auch aufzeigen, welche Variablen und Merkmale das beobachtete Verhalten beeinflussen.

Ein neues Modell

Chinesische Forscher haben ein neues interpretierbares KI-Modell namens Convolutional Kolmogorov–Arnold Network (CKAN) entwickelt. Das Ziel war es, die Einschränkungen traditioneller konvolutioneller neuronaler Netze zu überwinden. In dieser Architektur werden feste Aktivierungsfunktionen durch trainierbare ersetzt, wodurch das Modell flexiblere und physikalisch aussagekräftigere Darstellungen lernen kann.

Das Modell wurde anhand von kosmologischen Simulationen von Galaxienhaufen trainiert, darunter verschiedene Szenarien für dunkle Materie. Die Eingaben bestanden aus Bildern mit drei Kanälen: Gesamtmassenverteilung, Sternmasse und Röntgenstrahlung. Über die Klassifizierung hinaus kann die interne Struktur des CKAN extrahiert und in symbolischer Form neu geschrieben werden, was Forschern dabei hilft, welche räumlichen und physikalischen Merkmale am wichtigsten sind, um zwischen Modellen der dunklen Materie zu unterscheiden.

Wichtigste Ergebnisse

Die Analyse der CKAN-Darstellungen zeigte, dass sich das Netzwerk auf physikalische Größen wie den Versatz zwischen dem Zentrum des Dunkle-Materie-Halo und dem Zentrum des Galaxienhaufens konzentrierte. Diese automatisch extrahierten Muster stimmen mit theoretischen Vorhersagen überein, was darauf hindeutet, dass das Modell echte physikalische Zusammenhänge erfasst und nicht nur statistische Korrelationen.

Durch die Kombination von Fehlermetriken mit Interpretierbarkeitsdiagnosen fanden die Forscher heraus, dass auf Galaxienhaufen-Skalen die SIDM-Hypothese einen minimalen Wechselwirkungsquerschnitt von etwa 0,1–0,3 cm²/g erfordert. Dieser Bereich stimmt mit Schätzungen aus aktuellen kosmologischen Simulationen überein. Selbst unter Einbeziehung von Beobachtungsrauschen behielt das CKAN seine Leistungsfähigkeit bei und hielt die Fehler auf einem ähnlichen Niveau.

Quellenhinweis:

Huang et al. (2025). An Interpretable AI Framework to Disentangle Self-Interacting and Cold Dark Matter in Galaxy Clusters: The CKAN Approach, published by Huang et al in The Astronomical Journal, December 2025.