O modelo padrão do universo depende de apenas seis números. Usando uma nova abordagem alimentada por inteligência artificial, pesquisadores do Flatiron Institute e seus colegas extraíram informações ocultas na distribuição de galáxias para estimar os valores de cinco desses chamados parâmetros cosmológicos com incrível precisão.

Os resultados foram uma melhoria significativa em relação aos valores produzidos por métodos anteriores. Comparado a técnicas convencionais usando os mesmos dados de galáxias, a abordagem produziu menos da metade da incerteza para o parâmetro que descreve a aglomeração da matéria do universo. O método alimentado por IA também concordou estreitamente com estimativas dos parâmetros cosmológicos com base em observações de outros fenômenos, como a luz mais antiga do universo.

Os pesquisadores apresentam seu método, a Inferência de Galáxias Baseada em Simulação (ou SimBIG), em uma série de artigos recentes, incluindo um novo estudo publicado em 21 de agosto na Nature Astronomy .

Gerar restrições mais rígidas sobre os parâmetros enquanto se usa os mesmos dados será crucial para estudar tudo, desde a composição da matéria escura até a natureza da energia escura que afasta o universo, diz a coautora do estudo Shirley Ho, líder de grupo no Centro de Astrofísica Computacional (CCA) do Flatiron Institute na cidade de Nova York. Isso é especialmente verdadeiro à medida que novas pesquisas do cosmos entram em operação nos próximos anos, diz ela.

"Cada uma dessas pesquisas custa centenas de milhões a bilhões de dólares", diz Ho. "A principal razão pela qual essas pesquisas existem é porque queremos entender melhor esses parâmetros cosmológicos. Então, se você pensar nisso em um sentido muito prático, esses parâmetros valem dezenas de milhões de dólares cada. Você quer a melhor análise possível para extrair o máximo de conhecimento possível dessas pesquisas e expandir os limites da nossa compreensão do universo."

Os seis parâmetros cosmológicos descrevem a quantidade de matéria comum, matéria escura e energia escura no universo e as condições que se seguiram ao Big Bang, como a opacidade do universo recém-nascido à medida que ele esfriava e se a massa no cosmos está espalhada ou em grandes aglomerados. Os parâmetros "são essencialmente as 'configurações' do universo que determinam como ele opera nas maiores escalas", diz Liam Parker, coautor do estudo e analista de pesquisa no CCA.

Uma das formas mais importantes de os cosmólogos calcularem os parâmetros é estudando o agrupamento das galáxias do universo. Anteriormente, essas análises apenas observavam a distribuição em larga escala das galáxias.

"Não conseguimos chegar a escalas pequenas", diz ChangHoon Hahn, pesquisador associado da Universidade de Princeton e autor principal do estudo. "Há alguns anos, sabíamos que havia informações adicionais ali; só não tínhamos uma boa maneira de extraí-las."

Hahn propôs uma maneira de alavancar a IA para extrair essas informações em pequena escala. Seu plano tinha duas fases. Primeiro, ele e seus colegas treinariam um modelo de IA para determinar os valores dos parâmetros cosmológicos com base na aparência de universos simulados. Então eles mostrariam ao seu modelo observações reais de distribuição de galáxias.

Hahn, Ho, Parker e seus colegas treinaram seu modelo mostrando a ele 2.000 universos em forma de caixa do conjunto de simulação Quijote desenvolvido pelo CCA, com cada universo criado usando valores diferentes para os parâmetros cosmológicos. Os pesquisadores até fizeram os 2.000 universos parecerem dados gerados por pesquisas de galáxias — incluindo falhas da atmosfera e dos próprios telescópios — para dar ao modelo uma prática realista.

"É um grande número de simulações, mas é uma quantidade administrável", diz Hahn. "Se você não tivesse o aprendizado de máquina, precisaria de centenas de milhares."

Ao ingerir as simulações, o modelo aprendeu ao longo do tempo como os valores dos parâmetros cosmológicos se correlacionam com diferenças de pequena escala no agrupamento de galáxias, como a distância entre pares individuais de galáxias. O SimBIG também aprendeu como extrair informações do arranjo de imagem maior das galáxias do universo, observando três ou mais galáxias ao mesmo tempo e analisando as formas criadas entre elas, como triângulos longos e esticados ou triângulos equiláteros atarracados.

Com o modelo treinado, os pesquisadores apresentaram a ele 109.636 galáxias reais medidas pelo Baryon Oscillation Spectroscopic Survey. Como eles esperavam, o modelo alavancou detalhes de pequena e grande escala nos dados para aumentar a precisão de suas estimativas de parâmetros cosmológicos. Essas estimativas eram tão precisas que eram equivalentes a uma análise tradicional usando cerca de quatro vezes mais galáxias.

Isso é importante, diz Ho, porque o universo só tem um número limitado de galáxias. Ao obter maior precisão com menos dados, o SimBIG pode forçar os limites do que é possível.

Uma aplicação empolgante dessa precisão, diz Hahn, será a crise cosmológica conhecida como tensão de Hubble. A tensão surge de estimativas desencontradas da constante de Hubble, que descreve a rapidez com que tudo no universo está se espalhando.

Calcular a constante de Hubble requer estimar o tamanho do universo usando "réguas cósmicas". Estimativas baseadas na distância de estrelas em explosão, chamadas supernovas em galáxias distantes, são cerca de 10% maiores do que aquelas baseadas no espaçamento de flutuações na luz mais antiga do universo.

Novas pesquisas que serão disponibilizadas online nos próximos anos capturarão mais da história do universo. O pareamento de dados dessas pesquisas com o SimBIG revelará melhor a extensão da tensão de Hubble e se a incompatibilidade pode ser resolvida ou se necessita de um modelo revisado do universo, diz Hahn. "Se medirmos as quantidades com muita precisão e pudermos dizer firmemente que há uma tensão, isso pode revelar uma nova física sobre a energia escura e a expansão do universo", diz ele.

Hahn, Ho e Parker trabalharam no estudo junto com Michael Eickenberg do Centro de Matemática Computacional (CCM) do Flatiron Institute, Pablo Lemos do CCA, Chirag Modi do CCA e do CCM, Bruno Régaldo-Saint Blancard do CCM, o presidente da Fundação Simons, David Spergel, Jiamin Hou da Universidade da Flórida, Elena Massara da Universidade de Waterloo e Azadeh Moradinezhad Dizgah da Universidade de Genebra.