El modelo estándar del universo se basa sólo en seis números. Utilizando un nuevo método impulsado por inteligencia artificial, investigadores del Instituto Flatiron y sus colegas han extraído información oculta en la distribución de las galaxias para estimar los valores de cinco de estos llamados parámetros cosmológicos con una precisión increíble.
Los resultados fueron una mejora significativa con respecto a los valores producidos por el método anterior. En comparación con las técnicas convencionales que utilizan los mismos datos de galaxias, el método produce menos de la mitad de incertidumbre para los parámetros que describen el entrelazamiento del Universo. El método impulsado por IA también concuerda con estimaciones de parámetros cosmológicos basadas en observaciones de otros fenómenos, como la primera luz del universo.
Los investigadores presentaron su método, Inferencia de galaxias basada en simulación (o SIMBIG), en una serie de artículos recientes, incluido un nuevo estudio publicado el 21 de agosto. Naturaleza Astronomía.
La coautora del estudio, Shirley Ho, líder de grupo en el Instituto Flatiron, dijo que imponer restricciones más estrictas a los parámetros mientras se utilizan los mismos datos será importante para estudiar todo, desde la composición de la materia oscura hasta la naturaleza de la energía oscura que separa el universo. Centro de Astrofísica Computacional (CCA) en la ciudad de Nueva York. Esto es especialmente cierto a medida que se realicen nuevos estudios del cosmos en los próximos años, afirma.
“Cada uno de estos estudios cuesta entre decenas de millones y miles de millones de dólares”, dijo Ho. “La razón principal por la que existen estos estudios es que queremos comprender mejor estos parámetros cosmológicos. Entonces, si lo piensas en un sentido muy práctico, cada uno de estos parámetros vale millones de dólares. Quieres hacer el mejor análisis posible. “Obtener el mayor conocimiento posible de estas encuestas y ampliar los límites de nuestra comprensión del universo”.
Los seis parámetros cosmológicos describen la cantidad de materia normal, materia oscura y energía oscura en el universo, y las condiciones posteriores al Big Bang, como la opacidad del universo naciente a medida que se enfriaba y la masa se extendía por todo el universo, o en una escala mayor. Los parámetros de los grupos son “básicamente los ‘ajustes’ del universo que determinan cómo funciona en las escalas más grandes”, dice Liam Parker, coautor de Naturaleza Astronomía Analista de Estudios e Investigaciones en CCA.
Una de las formas más importantes en que los cosmólogos calculan los parámetros es estudiando la agrupación de galaxias en el Universo. Anteriormente, estos análisis se centraban únicamente en la distribución a gran escala de las galaxias.
“No podíamos hacerlo más pequeño”, dijo Changhun Han, investigador asociado de la Universidad de Princeton y autor principal. Naturaleza Astronomía Estudio “Desde hace años, sabemos que hay información adicional; simplemente no teníamos una buena manera de descubrirla”.
Hahn propuso una forma de aprovechar la IA para extraer esa pequeña cantidad de información. Su plan tenía dos fases. Primero, él y sus colegas entrenarán un modelo de IA para determinar los valores de los parámetros cosmológicos basándose en la apariencia del universo simulado. Luego muestran observaciones de la distribución real de galaxias en su modelo.
Hahn, Ho, Parker y sus colegas entrenaron su modelo mostrándoles 2.000 universos en forma de caja del conjunto de simulación Quijot desarrollado por CCA, cada universo creado utilizando diferentes valores de parámetros cosmológicos. Los investigadores incluso observaron 2.000 universos con datos generados por estudios de galaxias (incluidas atmósferas y errores de telescopios) para darle al modelo un entrenamiento realista. “Es una gran cantidad de simulaciones, pero es una cantidad manejable”, dijo Hahn. “Si no tienes aprendizaje automático, necesitas decenas de miles”.
Al realizar simulaciones, el modelo aprende con el tiempo cómo se relacionan los valores de los parámetros cosmológicos con diferencias a pequeña escala en la agrupación de galaxias, como la distancia entre pares individuales de galaxias. SimBIG también aprendió a extraer información de la estructura más amplia de las galaxias en el universo observando tres o más galaxias a la vez y analizando las formas que forman, como triángulos largos y alargados o triángulos equiláteros achaparrados.
Con el modelo entrenado, los investigadores lo compararon con 109.636 galaxias reales medidas por el Baryon Oscillation Spectroscopic Survey. Como esperaban, el modelo aprovechó los detalles de pequeña y gran escala de los datos para aumentar la precisión de las estimaciones de sus parámetros cosmológicos. Estas estimaciones eran tan precisas que equivalían a un análisis tradicional utilizando aproximadamente cuatro veces más galaxias. Eso es importante, dijo Ho, porque hay un número limitado de galaxias en el universo. Al obtener una mayor precisión con menos datos, SimBIG puede superar los límites de lo posible.
Una aplicación interesante de esa precisión, dice Hahn, sería la crisis cósmica conocida como atracción del Hubble. La tensión surge de estimaciones inconsistentes de la constante de Hubble, que describe qué tan rápido se expande todo en el universo.
Calcular la constante de Hubble requiere estimar el tamaño del universo utilizando una “regla cósmica”. Las estimaciones basadas en la distancia a las estrellas en explosión llamadas supernovas en galaxias distantes son aproximadamente un 10 por ciento más altas que las basadas en las fluctuaciones de la luz más antigua del universo.
Las nuevas encuestas que estarán en línea en los próximos años capturarán más de la historia del universo. Agregar datos de esas encuestas a SIMBIG revelará mejor el alcance de la excitación del Hubble, y la discrepancia puede resolverse o si requiere un modelo revisado del universo, dijo Hahn. “Si podemos medir las cantidades con mucha precisión y decir firmemente que hay una atracción, eso podría revelar nueva física sobre la energía oscura y la expansión del universo”, afirma.
Hahn, Ho y Parker trabajaron Naturaleza Astronomía Pablo Lemos del CCM del Centro de Matemática Computacional (CCM) del Instituto Flatiron, Chirag Modi del CCA y del CCM, Bruno Regaldo-St Blanchard del CCM, el presidente de la Fundación Simmons, David Spergel, Michael Eikenberg de Xiamin Hou estudiaron SIMBIG. Elena Massara de la Universidad de Florida, Universidad de Waterloo y Azadeh Moradinejad Dizgah de la Universidad de Ginebra.