Ein Forschungsteam vom Xinjiang-Astronomischen Observatorium der Chinesischen Akademie der Wissenschaften hat ein interpretierbares künstliches Intelligenz-System namens Convolutional Kolmogorov–Arnold Network (CKAN) entwickelt, das neue Erkenntnisse über die Eigenschaften von Dunkler Materie auf der Skala von Galaxienhaufen liefert. Im Gegensatz zu herkömmlichen neuronalen Netzen, die oft als „Schwarze Kisten“ gelten, ermöglicht CKAN eine klare Rückverfolgung der Entscheidungsprozesse, indem es die mathematischen Beziehungen zwischen Eingabedaten und Ergebnissen transparent macht. Dies ist besonders wichtig in der Astrophysik, wo physikalische Interpretierbarkeit entscheidend ist, um Hypothesen über die Natur der Dunklen Materie zu testen. Die Forscher nutzten CKAN, um hochaufgelöste Simulationen von Galaxienhaufen zu analysieren, die auf der Grundlage unterschiedlicher Modelle der Dunklen Materie erstellt wurden – darunter klassische kalte Dunkle Materie (CDM), warme Dunkle Materie (WDM) und modifizierte Gravitationstheorien. Durch die Auswertung von Gravitationslinsenbildern, die durch die Massenverteilung in Galaxienhaufen verursacht werden, konnte das Modell signifikante Unterschiede in der Struktur der Materieverteilung erkennen, die mit den jeweiligen Dunklen-Materie-Modellen übereinstimmen. Besonders bemerkenswert war die Fähigkeit von CKAN, feine Unterschiede in der Verteilung von Dunkler Materie im zentralen Bereich der Haufen zu identifizieren, die bisher mit klassischen Methoden schwer zu erfassen waren. Die Ergebnisse deuten darauf hin, dass die Daten aus den Simulationen besser mit einem Modell der warmen Dunklen Materie übereinstimmen als mit dem klassischen CDM-Modell – eine Erkenntnis, die die Diskussion um die Natur der Dunklen Materie neu belebt. Zudem zeigt CKAN, dass bestimmte Merkmale der Gravitationslinsen, wie die Form und Intensität von Lichtverzerrungen, besonders sensitiv auf die Teilchenphysik der Dunklen Materie reagieren. Dies eröffnet neue Wege, um durch Beobachtungen von Galaxienhaufen experimentell zwischen verschiedenen Dunkler-Materie-Theorien zu unterscheiden. Die Entwicklung von CKAN stellt einen bedeutenden Fortschritt in der Anwendung von KI in der Astrophysik dar. Durch die Kombination von tiefen neuronalen Netzwerken mit mathematisch fundierten Strukturen aus der Theorie von Kolmogorov und Arnold gelingt es dem Modell, nicht nur präzise Vorhersagen zu treffen, sondern auch physikalisch sinnvolle Erklärungen zu liefern. Dies ist entscheidend, um KI nicht nur als Werkzeug zur Datenanalyse, sondern als aktiven Partner in der wissenschaftlichen Entdeckung einzusetzen. Experten aus der Fachwelt begrüßen die Entwicklung als wegweisend für die Zukunft der Datenanalyse in der Kosmologie. „CKAN zeigt, dass interpretierbare KI nicht nur möglich, sondern auch nötig ist, um komplexe astrophysikalische Fragen zu beantworten“, sagt ein Forscher vom Max-Planck-Institut für Astrophysik. Das Xinjiang-Astronomische Observatorium ist weltweit anerkannt für seine Arbeit in der Radiophysik und der kosmologischen Datenanalyse und hat in den letzten Jahren verstärkt auf die Entwicklung von KI-gestützten Methoden gesetzt. Mit CKAN hat das Team einen wichtigen Schritt hin zu einer tieferen Verbindung zwischen künstlicher Intelligenz und fundamentalen physikalischen Theorien getan – ein Beispiel dafür, wie moderne Technologie die Suche nach den Geheimnissen des Universums voranbringt.