.
Astrofísicos do Institute for Advanced Study, do Flatiron Institute e seus colegas aproveitaram a inteligência artificial para descobrir uma maneira melhor de estimar a massa de aglomerados colossais de galáxias. A IA descobriu que apenas adicionando um termo simples a uma equação existente, os cientistas podem produzir estimativas de massa muito melhores do que antes.
As estimativas aprimoradas permitirão aos cientistas calcular as propriedades fundamentais do universo com mais precisão, relataram os astrofísicos em 17 de março de 2023, no Anais da Academia Nacional de Ciências.
“É uma coisa tão simples; essa é a beleza disso”, diz o co-autor do estudo Francisco Villaescusa-Navarro, cientista pesquisador do Centro de Astrofísica Computacional (CCA) do Instituto Flatiron, na cidade de Nova York. “Embora seja tão simples, ninguém antes encontrou esse termo. As pessoas têm trabalhado nisso por décadas e ainda não foram capazes de encontrá-lo.”
O trabalho foi liderado por Digvijay Wadekar, do Instituto de Estudos Avançados de Princeton, Nova Jersey, juntamente com pesquisadores do CCA, da Universidade de Princeton, da Universidade de Cornell e do Centro de Astrofísica | Harvard e Smithsonian.
Compreender o universo requer saber onde e quanto coisa há. Os aglomerados de galáxias são os objetos mais massivos do universo: um único aglomerado pode conter de centenas a milhares de galáxias, junto com plasma, gás quente e matéria escura. A gravidade do aglomerado mantém esses componentes juntos. Compreender esses aglomerados de galáxias é crucial para definir a origem e a evolução contínua do universo.
Talvez a quantidade mais crucial que determina as propriedades de um aglomerado de galáxias seja sua massa total. Mas medir essa quantidade é difícil – as galáxias não podem ser ‘pesadas’ colocando-as em uma balança. O problema é ainda mais complicado porque a matéria escura que compõe grande parte da massa de um aglomerado é invisível. Em vez disso, os cientistas deduzem a massa de um aglomerado de outras quantidades observáveis.
No início dos anos 1970, Rashid Sunyaev, atual distinto professor visitante da Escola de Ciências Naturais do Instituto de Estudos Avançados, e seu colaborador Yakov B. Zel’dovich desenvolveram uma nova maneira de estimar as massas dos aglomerados de galáxias. O método deles se baseia no fato de que, à medida que a gravidade comprime a matéria, os elétrons da matéria a repelem. Essa pressão eletrônica altera a forma como os elétrons interagem com partículas de luz chamadas fótons. À medida que os fótons remanescentes do brilho posterior do Big Bang atingem o material espremido, a interação cria novos fótons. As propriedades desses fótons dependem de quão fortemente a gravidade está comprimindo o material, que por sua vez depende do peso do aglomerado de galáxias. Medindo os fótons, os astrofísicos podem estimar a massa do aglomerado.
No entanto, esta ‘pressão eletrônica integrada’ não é um substituto perfeito para a massa, porque as mudanças nas propriedades dos fótons variam dependendo do aglomerado de galáxias. Wadekar e seus colegas pensaram que uma ferramenta de inteligência artificial chamada “regressão simbólica” poderia encontrar uma abordagem melhor. A ferramenta essencialmente experimenta diferentes combinações de operadores matemáticos – como adição e subtração – com várias variáveis, para ver qual equação corresponde melhor aos dados.
Wadekar e seus colaboradores ‘alimentaram’ seu programa de IA com uma simulação de universo de última geração contendo muitos aglomerados de galáxias. Em seguida, seu programa, escrito por Miles Cranmer, pesquisador da CCA, procurou e identificou variáveis adicionais que poderiam tornar as estimativas de massa mais precisas.
A IA é útil para identificar novas combinações de parâmetros que os analistas humanos podem ignorar. Por exemplo, embora seja fácil para analistas humanos identificar dois parâmetros significativos em um conjunto de dados, a IA pode analisar melhor grandes volumes, geralmente revelando fatores de influência inesperados.
“No momento, grande parte da comunidade de aprendizado de máquina se concentra em redes neurais profundas”, explicou Wadekar. “Eles são muito poderosos, mas a desvantagem é que são quase como uma caixa preta. Não podemos entender o que se passa neles. Em física, se algo está dando bons resultados, queremos saber por que está fazendo isso. Regressão simbólica é benéfico porque pesquisa um determinado conjunto de dados e gera expressões matemáticas simples na forma de equações simples que você pode entender. Ele fornece um modelo facilmente interpretável.”
O programa de regressão simbólica dos pesquisadores entregou a eles uma nova equação, que foi capaz de prever melhor a massa do aglomerado de galáxias adicionando um único novo termo à equação existente. Wadekar e seus colaboradores trabalharam de trás para frente a partir dessa equação gerada por IA e encontraram uma explicação física. Eles perceberam que a concentração de gás se correlaciona com as regiões dos aglomerados de galáxias onde as inferências de massa são menos confiáveis, como os núcleos das galáxias onde os buracos negros supermassivos se escondem. Sua nova equação melhorou as inferências de massa minimizando a importância desses núcleos complexos nos cálculos. De certa forma, o aglomerado de galáxias é como uma rosquinha esférica. A nova equação extrai a geléia no centro da rosquinha que pode introduzir erros maiores e, em vez disso, concentra-se na periferia pastosa para inferências de massa mais confiáveis.
Os pesquisadores testaram a equação descoberta pela IA em milhares de universos simulados da suíte CAMELS do CCA. Eles descobriram que a equação reduziu a variabilidade nas estimativas de massa de aglomerados de galáxias em cerca de 20 a 30% para grandes aglomerados em comparação com a equação usada atualmente.
A nova equação pode fornecer aos astrônomos observacionais envolvidos nas próximas pesquisas de aglomerados de galáxias com melhores percepções sobre a massa dos objetos que observam. “Existem algumas pesquisas visando aglomerados de galáxias [that] estão planejados para um futuro próximo”, observou Wadekar. “Os exemplos incluem o Observatório Simons, o estágio 4 do experimento CMB e um levantamento de raios-X chamado eROSITA. As novas equações podem nos ajudar a maximizar o retorno científico dessas pesquisas.”
Wadekar também espera que esta publicação seja apenas a ponta do iceberg quando se trata de usar regressão simbólica em astrofísica. “Achamos que a regressão simbólica é altamente aplicável para responder a muitas questões astrofísicas”, disse ele. “Em muitos casos na astronomia, as pessoas fazem um ajuste linear entre dois parâmetros e ignoram todo o resto. Mas hoje em dia, com essas ferramentas, você pode ir além. A regressão simbólica e outras ferramentas de inteligência artificial podem nos ajudar a ir além dos dois parâmetros existentes leis de poder de várias maneiras diferentes, desde a investigação de pequenos sistemas astrofísicos como exoplanetas, até aglomerados de galáxias, as maiores coisas do universo.”
.
