Em simulações de computador de universos possíveis, os pesquisadores descobriram que uma rede neural pode inferir a quantidade de matéria em um universo inteiro estudando apenas uma de suas galáxias.
Um grupo de cientistas pode ter tropeçado em uma nova maneira radical de fazer cosmologia.
Os cosmólogos geralmente determinam a composição do universo observando o máximo possível. Mas esses pesquisadores descobriram que um algoritmo de aprendizado de máquina pode examinar uma única galáxia simulada e prever a composição geral do universo digital em que ela existe – um feito análogo a analisar um grão de areia aleatório sob um microscópio e calcular a massa da Eurásia. . As máquinas parecem ter encontrado um padrão que pode um dia permitir que os astrônomos tirem conclusões abrangentes sobre o cosmos real apenas estudando seus blocos de construção elementares.
“Esta é uma ideia completamente diferente”, disse Francisco Villaescusa-Navarro, astrofísico teórico do Flatiron Institute em Nova York e principal autor do trabalho. “Em vez de medir esses milhões de galáxias, você pode simplesmente pegar uma. É realmente incrível que isso funcione.”
Não era suposto. A descoberta improvável surgiu de um exercício que Villaescusa-Navarro deu a Jupiter Ding, um estudante da Universidade de Princeton: construir uma rede neural que, conhecendo as propriedades de uma galáxia, possa estimar alguns atributos cosmológicos. A tarefa era apenas para familiarizar Ding com aprendizado de máquina. Então eles notaram que o computador estava acertando a densidade geral da matéria.
“Achei que o aluno cometeu um erro”, disse Villaescusa-Navarro. “Foi um pouco difícil para mim acreditar, para ser honesto.”
Os resultados da investigação que se seguiu apareceram em uma pré-impressão de 6 de janeiro que foi enviada para publicação. Os pesquisadores analisaram 2.000 universos digitais gerados pelo projeto Cosmology and Astrophysics with Machine Learning Simulations (CAMELS). Esses universos tinham uma variedade de composições, contendo entre 10% e 50% de matéria com o restante composto de energia escura, o que impulsiona o universo a se expandir cada vez mais rápido. (Nosso cosmos real consiste em aproximadamente um terço de matéria escura e visível e dois terços de energia escura.) À medida que as simulações aconteciam, a matéria escura e a matéria visível giravam juntas em galáxias. As simulações também incluíram tratamentos grosseiros de eventos complicados, como supernovas e jatos que surgem de buracos negros supermassivos.
A rede neural de Ding estudou quase 1 milhão de galáxias simuladas dentro desses diversos universos digitais. De sua perspectiva divina, conhecia o tamanho, composição, massa de cada galáxia e mais de uma dúzia de outras características. Ele procurou relacionar essa lista de números com a densidade da matéria no universo pai.
Conseguiu. Quando testada em milhares de galáxias frescas de dezenas de universos que não havia examinado anteriormente, a rede neural foi capaz de prever a densidade cósmica da matéria com uma precisão de 10%. “Não importa qual galáxia você está considerando”, disse Villaescusa-Navarro. “Ninguém imaginava que isso seria possível.”
“Aquela galáxia pode obter [a densidade] de 10% ou mais, isso foi muito surpreendente para mim”, disse Volker Springel, especialista em simulação de formação de galáxias no Instituto Max Planck de Astrofísica, que não esteve envolvido na pesquisa.
O desempenho do algoritmo surpreendeu os pesquisadores porque as galáxias são objetos inerentemente caóticos. Alguns se formam de uma só vez, e outros crescem comendo seus vizinhos. Galáxias gigantes tendem a manter sua matéria, enquanto supernovas e buracos negros em galáxias anãs podem ejetar a maior parte de sua matéria visível. Ainda assim, todas as galáxias conseguiram, de alguma forma, manter o controle sobre a densidade geral da matéria em seu universo.
Uma interpretação é “que o universo e/ou galáxias são, de certa forma, muito mais simples do que imaginávamos”, disse Pauline Barmby, astrônoma da Western University, em Ontário. Outra é que as simulações têm falhas não reconhecidas.
A equipe passou meio ano tentando entender como a rede neural ficou tão sábia. Eles verificaram para ter certeza de que o algoritmo não havia encontrado uma maneira de inferir a densidade da codificação da simulação em vez das próprias galáxias. “As redes neurais são muito poderosas, mas são super preguiçosas”, disse Villaescusa-Navarro.
Por meio de uma série de experimentos, os pesquisadores perceberam como o algoritmo estava adivinhando a densidade cósmica. Ao retreinar a rede enquanto obscurecia repetidamente e sistematicamente diferentes propriedades galácticas, eles se concentraram nos atributos que mais importavam.
Perto do topo da lista estava uma propriedade relacionada à velocidade de rotação de uma galáxia, que corresponde a quanta matéria (escura ou não) fica na zona central da galáxia. A descoberta corresponde à intuição física, de acordo com Springel. Em um universo repleto de matéria escura, você esperaria que as galáxias ficassem mais pesadas e girassem mais rápido. Então você pode adivinhar que a velocidade de rotação se correlacionaria com a densidade da matéria cósmica, embora essa relação por si só seja muito áspera para ter muito poder preditivo.
A rede neural encontrou uma relação muito mais precisa e complicada entre cerca de 17 propriedades galácticas e a densidade da matéria. Essa relação persiste apesar das fusões galácticas, explosões estelares e erupções de buracos negros. “Uma vez que você chega a mais de [duas propriedades], você não pode traçar e olhar de soslaio para ver a tendência, mas uma rede neural pode”, disse Shaun Hotchkiss, cosmólogo da Universidade de Auckland, na Nova Zelândia. .
Embora o sucesso do algoritmo levante a questão de quantas características do universo podem ser extraídas de um estudo completo de apenas uma galáxia, os cosmólogos suspeitam que as aplicações no mundo real serão limitadas. Quando o grupo de Villaescusa-Navarro testou sua rede neural em uma propriedade diferente – aglomeração cósmica – não encontrou nenhum padrão. E Springel espera que outros atributos cosmológicos, como a expansão acelerada do universo devido à energia escura, tenham pouco efeito em galáxias individuais.
A pesquisa sugere que, em teoria, um estudo exaustivo da Via Láctea e talvez de algumas outras galáxias próximas poderia permitir uma medição extremamente precisa da matéria do nosso universo. Tal experimento, disse Villaescusa-Navarro, poderia dar pistas para outros números de importância cósmica, como a soma das massas desconhecidas dos três tipos de neutrinos do universo.
Mas, na prática, a técnica teria que primeiro superar uma grande fraqueza. A colaboração CAMELS cozinha seus universos usando duas receitas diferentes. Uma rede neural treinada em uma das receitas faz suposições de densidade ruins quando recebe galáxias que foram cozidas de acordo com a outra. A falha de previsão cruzada indica que a rede neural está encontrando soluções exclusivas para as regras de cada receita. Certamente não saberia o que fazer com a Via Láctea, uma galáxia moldada pelas verdadeiras leis da física. Antes de aplicar a técnica ao mundo real, os pesquisadores precisarão tornar as simulações mais realistas ou adotar técnicas mais gerais de aprendizado de máquina – uma tarefa difícil.
“Estou muito impressionado com as possibilidades, mas é preciso evitar se empolgar demais”, disse Springel.
Mas Villaescusa-Navarro acredita que a rede neural foi capaz de encontrar padrões nas galáxias confusas de duas simulações independentes. A descoberta digital aumenta as chances de que o cosmos real possa estar escondendo uma ligação semelhante entre o grande e o pequeno.
“É uma coisa muito bonita”, disse. “Ele estabelece uma conexão entre todo o universo e uma única galáxia.”
Publicado em 22/01/2022 23h54
Artigo original:
Estudo original: