Eine internationale Forschungsgruppe der Universität Wien und des Lawrence Berkeley National Laboratory hat eine seit über zehn Jahren aktive astrophysikalische Kontroverse mit Methoden des Machine Learning neu bewertet. Im Fokus steht der so genannte Galactic Center Excess, eine kugelförmige Gammastrahlen-Emission im Zentrum der Milchstraße. Bisher waren zwei Haupterklärungen im Raum: die Selbstannihilation hypothetischer Dunkler Materie oder eine große Ansammlung schnell rotierender Neutronensterne, sogenannter Millisekunden-Pulsare. Vorherige statistische Auswertungen favorisierten die Pulsar-Hypothese, da sie scheinbare punktförmige Strahlungsquellen im Datenrausch identifizierten. Der entscheidende methodische Fortschritt der neuen Studie besteht in der erstmaligen Integration der Einzelenergie jedes detektierten Photons. Die Forscher trainierten einen neuronalen Algorithmus an über einer Million simulierter Gammabeobachtungen, um räumliche Verteilung und spektrale Eigenschaften simultan zu prüfen. Diese Ergänzung der Datenlage verschiebt das Ergebnis grundlegend: Die zuvor angenommenen punktförmigen Quellen müssten nach den neuen Berechnungen extrem lichtschwach sein. Für die Pulsar-Theorie würde dies bedeuten, dass mindestens 35.000 solcher Objekte das galaktische Zentrum bevölkern müssten, was die bisher angenommenen Größenordnungen um ein Vielfaches übersteigt. Die Konsequenz für die Grundlagenforschung ist signifikant: Eines der stärksten Argumente gegen die Dunkle-Materie-Hypothese entfällt. Die Studie liefert keinen direkten Nachweis für diese Theorie, macht sie jedoch wieder plausibel und relativiert frühere Schlussfolgerungen. Die Ergebnisse unterstreichen, dass eine endgültige Einordnung des Signals weiterhin fortgeschrittene Analysemethoden erfordert. Die Forschungsarbeit wurde im Fachjournal Physical Review Letters veröffentlicht und demonstriert, wie KI-gestützte Auswertungsprozesse helfen, jahrzehntealte wissenschaftliche Rätsel in der Hochenergieastrophysik schrittweise zu lösen.