La inteligencia artificial revela los secretos de la energía oscura en un estudio pionero

Un equipo de investigación dirigido por la UCL ha utilizado técnicas de inteligencia artificial (IA) para inferir con mayor precisión la influencia y las propiedades de la energía oscura a partir de un mapa de la materia oscura y visible en el universo que abarca los últimos siete mil millones de años.

El estudio, realizado por el Dark Energy Survey Project, duplicó la resolución con la que se pueden inferir del mapa las propiedades clave del universo, incluida la densidad general de la energía oscura.

Esta mayor resolución permite a los investigadores descartar modelos del universo que antes eran concebibles.

Avances en la comprensión cósmica

La energía oscura es la fuerza misteriosa que acelera la expansión del universo y se cree que constituye alrededor del 70% del contenido del universo (la materia oscura, la materia invisible cuya gravedad atrae a las galaxias, constituye el 25%, y la materia ordinaria sólo el 5%). ). ).

El autor principal, el Dr. Niall Jeffery (Física y Astronomía de UCLA), dijo: “Al utilizar inteligencia artificial para aprender de universos simulados por computadora, hemos aumentado la precisión de nuestras estimaciones de propiedades clave del universo en un factor de dos.

«Para lograr esta mejora sin estas nuevas técnicas, necesitaríamos cuatro veces más cantidad de datos. Esto equivaldría a cartografiar otros 300 millones de galaxias».

El coautor Dr. Lorne Whiteway (UCLA Física y Astronomía) dijo: «Nuestros hallazgos son consistentes con la mejor predicción actual de la energía oscura como una 'constante cosmológica' cuyo valor no cambia con el espacio o el tiempo. Sin embargo, también permite flexibilidad para que sea válida una interpretación diferente. Por ejemplo, nuestra teoría de la gravedad aún podría estar equivocada.

El mapa de materia se deriva de uno de los universos simulados. Las áreas más claras del mapa muestran áreas donde la materia oscura es más densa. Estos corresponden a supercúmulos de galaxias. Los puntos oscuros, casi negros, son vacíos cósmicos, grandes espacios vacíos entre cúmulos de galaxias. Crédito: Niall Jeffery y otros

Mejorando los modelos cosmológicos

En línea con un análisis anterior del mapa del Dark Energy Survey, publicado por primera vez en 2021, los resultados sugieren que la materia en el universo se distribuye de manera más suave (menos agrupada) de lo que predijo la teoría de la relatividad general de Einstein. Sin embargo, la discrepancia fue menos significativa para este estudio que para el análisis anterior, donde las barras de error eran más grandes.

El mapa del Dark Energy Survey se obtuvo mediante un método llamado lente gravitacional débil, es decir, ver cómo la luz de galaxias distantes es desviada por la gravedad de la materia intermedia en su camino hacia la Tierra.

La colaboración analizó distorsiones en las formas de 100 millones de galaxias para inferir la distribución de toda la materia, oscura y visible, en el primer plano de esas galaxias. El mapa resultante cubría una cuarta parte del cielo en el hemisferio sur.

En el nuevo estudio, los investigadores utilizaron supercomputadoras financiadas por el gobierno británico para ejecutar simulaciones de diferentes universos basadas en datos del mapa de materia del Dark Energy Survey. Cada simulación tenía un modelo matemático diferente del universo que la respaldaba.

Los investigadores crearon mapas de materia a partir de cada una de estas simulaciones. a Aprendizaje automático El modelo se utilizó para extraer información en esos mapas que sea relevante para los modelos cosmológicos. Una segunda herramienta de aprendizaje automático, que aprendió de numerosos ejemplos de universos simulados por diferentes modelos cosmológicos, examinó los datos reales observados y proporcionó las probabilidades de que cualquier modelo cosmológico sea el verdadero modelo de nuestro universo.

Esta nueva técnica permitió a los investigadores utilizar mucha más información de los mapas de la que era posible con el método anterior.

Las simulaciones se llevaron a cabo en las instalaciones de Computación de Alto Rendimiento (HPC) DiRAC, financiadas por el Consejo de Instalaciones Científicas y Tecnológicas del Reino Unido (STFC).

Exploraciones futuras en cosmología.

La siguiente fase de proyectos sobre el universo oscuro, incluida la misión Euclid de la Agencia Espacial Europea (ESA), que se lanzó el verano pasado, aumentará drásticamente la cantidad de datos que tenemos sobre las estructuras a gran escala del universo, lo que ayudará a los investigadores a determinar si… La inesperada suavidad del universo ha contribuido al aumento del tamaño del universo oscuro. La entropía es una señal de que los modelos cosmológicos actuales están equivocados o si existe otra explicación para ello.

Actualmente, esta suavidad está en desacuerdo con lo que se podría predecir basándose en el análisis del fondo cósmico de microondas (CMB), la luz sobrante del universo. la gran explosión.

El Laboratorio del Acelerador Nacional Fermi (Fermilab) del Departamento de Energía de EE. UU. alberga la Colaboración para el Estudio de la Energía Oscura, de la cual la UCL es miembro fundador, e incluye a más de 400 científicos de 25 instituciones en siete países.

Esta colaboración condujo a la catalogación de cientos de millones de galaxias, utilizando imágenes del cielo nocturno tomadas por la Dark Energy Camera de 570 megapíxeles, una de las cámaras digitales más potentes del mundo, durante un período de seis años (de 2013 a 2019). La cámara, cuyo corrector óptico fue fabricado en la Universidad de California, fue montada en un telescopio en el Observatorio Interamericano Cerro Tololo de la Fundación Nacional de Ciencias en Chile.

Referencia: “Resultados de la encuesta sobre energía oscura del año 3: inferencia wCDM sin probabilidad basada en simulación con compresión neuronal para estadísticas de mapas de lentes débiles” por N. Jeffrey, L. Whiteway, M. Gatti, J. Williamson, J. Alsing, A. Porredon, J. Prat, C. Doux, B. Jain, C. Chang, T.-Y. Cheng, T. Kacprzak, P. Lemos, A. Alarcón, A. Un monje. Bechtol, M.R. Becker, J.M. Bernstein, A. Campos, A. Carneiro-Russell, R. Chen, A. Choi, J. De Rosa, A. Drlica-Wagner, K. Eckert, S. Everett, A. Ferté, D. Gruen, R. A. Gruendl, K. Herner, M. Jarvis, J. McCullough, J. Myles, A. Navarro-Alsina, S. Pandey, M Ravery, R.B. Rollins, E.S. Raykoff, C. Sánchez, L.F. Seko, I. SevillaNoarbe, E. Sheldon, T. Shen, M.A. Troxel, I. Totosos, T.N. Varga, P. Yanni, B. Yin, J. Zontz, M. Aguina, S. S. Alam y O. Alves, D. Tocino, S. Bouquet, D. Brooks, L. N. da Costa, T. M. Davis, J. D. Vicente, S. Desai, H. T. Diehl, I. Ferrero, J. Freeman, J. García Bellido, E. Gazztanaga, G. Giannini, G. Gutiérrez, S. Mina Fernández, R. Mikel, A. Pires, A.A. Plaza Malagón, A. Rodman, M. Sacco, E. Sánchez, D. Sánchez Sid, M. Smith, E. Sucheta, M. E. C. Swanson, J. Tarley, DL Tucker, N. Weverdike, J. Wheeler, B. Weisman y M. Yamamoto, 4 de marzo de 2024, Cosmología y astrofísica no galáctica.
arXiv:2403.02314