Learning Astrophysical Uncertainties in Dark Matter Direct Detection with Simulation-Based Inference

Tief im Universum besteht der Großteil der Materie nicht aus dem Zeug, das wir sehen, berühren oder mit gewöhnlichen Werkzeugen messen können. Sie ist unsichtbar und nur durch die Art und Weise bekannt, wie ihre Schwerkraft auf Sterne und Galaxien wirkt. Wissenschaftler nennen dies Dunkle Materie, und obwohl wir wissen, dass sie etwa ein Viertel von allem in der Existenz ausmacht, haben wir keine Ahnung, woraus sie besteht. Eine führende Idee legt nahe, dass sie aus schweren, langsam beweglichen Teilchen besteht, die selten mit normaler Materie zusammenstoßen. Sollten diese Teilchen existieren, müssten sie gelegentlich die Kerne von Atomen in einem Detektor auf der Erde treffen, was einen winzigen Lichtblitz und ein kleines elektrisches Signal erzeugt. Das Finden dieses schwachen Signals wäre eine monumentale Entdeckung, die die wahre Natur des dunklen Universums enthüllen würde.

Die Herausforderung besteht darin, dass diese Signale unglaublich selten sind und leicht mit Hintergrundrauschen durch natürliche Radioaktivität oder andere kosmische Strahlen verwechselt werden können. Um sie zu finden, verwenden Wissenschaftler riesige Tanks mit flüssigem Xenon, die auf Temperaturen nahe dem absoluten Nullpunkt gekühlt und tief unter der Erde vergraben sind, um sie vor kosmischen Störungen abzuschirmen. Wenn ein Dunkle-Materie-Teilchen auf ein Xenonatom trifft, erzeugt es zwei unterschiedliche Signale: einen Lichtblitz und einen Stoß von Elektronen. Durch die Messung des Verhältnisses zwischen diesen beiden Signalen können Forscher feststellen, ob das Ereignis durch ein Dunkle-Materie-Teilchen oder durch ein gewöhnliches Hintergrundteilchen verursacht wurde. Das genaue Muster dieser Signale hängt jedoch davon ab, wie schnell sich die Dunkle-Materie-Teilchen bewegen, während sie durch unsere Galaxie driften. Diese Geschwindigkeit ist nicht mit absoluter Gewissheit bekannt, und unterschiedliche Annahmen über die Struktur der Galaxie können das Aussehen des Signals verändern.

In einer neuen Studie haben die Forscher Felix Kahlhoefer und Niklas Reus vom Karlsruher Institut für Technologie in Deutschland einen cleveren Weg entwickelt, um mit dieser Unsicherheit umzugehen. Anstatt zu versuchen, komplexe mathematische Formeln zu berechnen, um jede mögliche Variation der Galaxienstruktur zu berücksichtigen, verwendeten sie eine Methode namens simulationsbasierte Inferenz. Sie bauten ein Computerprogramm, das lernte, den Unterschied zwischen einem Dunkle-Materie-Signal und Hintergrundrauschen zu erkennen, indem es Millionen von simulierten Beispielen studierte. In diesen Simulationen wurde dem Computer Daten gezeigt, die unter vielen verschiedenen Annahmen darüber generiert wurden, wie schnell sich die Dunkle-Materie-Teilchen bewegen. Durch das Training an dieser breiten Vielfalt von Szenarien lernte der Computer, die spezifischen Details der Bewegung der Galaxie zu ignorieren und sich stattdessen auf die Kernmerkmale zu konzentrieren, die auf einen Einschlag der Dunklen Materie hindeuten.

Die Forscher testeten diesen Ansatz anhand eines Modells des XENONnT-Experiments, eines der empfindlichsten Detektoren für Dunkle Materie, die derzeit in Betrieb sind. Sie erstellten einen digitalen Zwilling des Detektors, der simulierte, wie er auf Dunkle-Materie-Teilchen unterschiedlicher Masse und Wechselwirkungsstärke reagieren würde. Dann trainierten sie ein neuronales Netz, eine Art künstliche Intelligenz, um als Klassifikator zu fungieren. Diesem Netzwerk wurden Datenpaare gezeigt: ein Datensatz, in dem das Dunkle-Materie-Signal vorhanden war, und ein anderer, in dem es abwesend war. Das Ziel war es, dass das Netzwerk eine Regel lernt, die die beiden unterscheiden kann, was effektiv die Wahrscheinlichkeit berechnet, dass ein bestimmter Satz von Beobachtungen von einer Dunkle-Materie-Quelle stammt und nicht von zufälligem Rauschen.

Was diese Methode besonders leistungsfähig macht, ist die Art und Weise, wie sie mit der unbekannten Geschwindigkeit der Dunkle-Materie-Teilchen umgeht. In der traditionellen Analyse müssen Wissenschaftler die Geschwindigkeit dieser Teilchen oft auf einen einzigen, Standardwert festlegen, was zu Fehlern führen kann, wenn dieser Wert falsch ist. In diesem neuen Ansatz bezogen die Forscher einfach viele verschiedene Geschwindigkeitsmodelle in die Trainingsdaten ein. Der Computer lernte, die Geschwindigkeit als eine Variable zu behandefen, die innerhalb eines vernünftigen Bereichs alles sein konnte. Infolgedessen hat das Netzwerk bei der Vorhersage bereits all diese verschiedenen Möglichkeiten berücksichtigt. Die Unsicherheit über die Struktur der Galaxie wird effektiv herausgemittelt, was eine klare Antwort über die Dunkle Materie selbst liefert, ohne dass für jedes neue Datenset zusätzliche Berechnungen durchgeführt werden müssen.

Die Studie zeigte, dass diese Methode hervorragend funktioniert. Als die Forscher ihr trainiertes Netzwerk an simulierten Daten testeten, lieferte es Ergebnisse, die den Erwartungen der etabliertesten statistischen Methoden in diesem Bereich entsprachen. Das Netzwerk identifizierte erfolgreich die korrekte Masse und Wechselwirkungsstärke der Dunkle-Materie-Teilchen in den Simulationen, selbst wenn die Daten verrauscht waren oder die zugrunde liegenden Annahmen über die Galaxie stark vom Standardmodell abwichen. Tatsächlich arbeitete das Netzwerk so gut, dass es sogar extreme Szenarien bewältigen konnte, in denen die Standardannahmen völlig falsch waren, und dennoch zuverlässige Ergebnisse lieferte. Dies deutet darauf an, dass die Methode robust ist und sich besser an die chaotische Realität des Universums anpassen kann als ältere Techniken.

Vielleicht am wichtigsten ist, dass die Forscher demonstrierten, dass dieser Ansatz leicht skalierbar ist. Da Experimente immer empfindlicher werden und tiefer in den „Neutrino-Nebel“ vordringen – ein Hintergrund aus Signalen von Sonnenneutrinos, der die Dunkle-Materie-Signale schließlich überlagern wird –, wird der Bedarf an der Berücksichtigung komplexerer Unsicherheiten wachsen. Traditionelle Methoden würden mit dieser Komplexität kämpfen, da sie enorme Rechenleistung erfordern würden, um Berechnungen für jede neue Variable neu durchzuführen. Die simulationsbasierte Methode hingegen bewältigt diese Komplexität während der Trainingsphase. Sobald das Netzwerk trainiert ist, kann es neue Daten sofort analysieren, unabhängig davon, wie viele verschiedene astrophysikalische Modelle in das Training einbezogen wurden. Dies macht sie zu einem praktischen und effizienten Werkzeug für die nächste Generation der Suche nach Dunkler Materie.

Die Ergebnisse bestätigen, dass künstliche Intelligenz ein wichtiger Partner bei der Jagd nach Dunkler Materie sein kann – nicht, indem sie das menschliche Verständnis ersetzt, sondern indem sie die schwere Arbeit der komplexen Statistik übernimmt. Indem sie aus einer riesigen Bibliothek simulierter Universen lernt, kann der Computer das Signal im Rauschen mit einer Klarheit finden, die den besten menschengemachten Methoden entspricht. Dies bedeutet nicht, dass Dunkle Materie gefunden wurde; ein solches Signal wurde bisher noch nicht beobachtet. Aber es bedeutet, dass Wissenschaftler, wenn das nächste Experiment in Betrieb geht, ein schärferes, flexibleres Werkzeug zur Interpretation der Daten zur Verfügung steht, das bereit ist, zwischen einer echten Entdeckung und einem optischen Trugschluss zu unterscheiden, selbst wenn sich die Galaxie auf eine Weise verhält, die wir nicht erwartet haben.