El Dark Energy Survey ha mejorado nuestra comprensión del Universo al duplicar la precisión de las mediciones de la energía oscura mediante IA y técnicas de simulación, y ofrece información sobre la estructura del Universo y la posible necesidad de nuevos modelos cosmológicos. Crédito: SciTechDaily.com

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, llevado a cabo por la colaboración Dark Energy Survey, duplicó la precisión con la que se podían inferir a partir del mapa características clave del Universo, incluida la densidad general de energía oscura.

Esta mayor precisión permite a los investigadores descartar modelos del Universo que antes podrían haber sido concebibles.

Avances en la comprensión cósmica

La energía oscura es la fuerza misteriosa que está acelerando la expansión del Universo y se cree que representa alrededor del 70% del contenido del Universo (con la materia oscura, materia invisible cuya gravedad atrae a las galaxias, representa el 25%, y la materia normal sólo el 5% ). ).

Niall Jeffrey (UCL Física y Astronomía), autor principal, dijo: “Al utilizar la IA para aprender de universos simulados por computadora, aumentamos la precisión de nuestras estimaciones de las propiedades clave del Universo en un factor de dos.

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

El coautor Dr. Lorne Whiteway (Física y Astronomía de la UCL) dijo: “Nuestros hallazgos están en línea con la mejor predicción actual de la energía oscura como una 'constante cosmológica' cuyo valor no varía en el espacio o el tiempo. Sin embargo, también permiten flexibilidad para que una explicación diferente sea correcta. Por ejemplo, aún podría ser que nuestra teoría de la gravedad sea errónea”.

Un mapa de materia derivado de uno de los universos simulados. Las zonas más brillantes del mapa muestran las regiones donde la materia oscura es más densa. Estos corresponden a supercúmulos de galaxias. Las manchas oscuras, casi negras, son vacíos cósmicos, los grandes espacios vacíos entre cúmulos de galaxias. Crédito: Niall Jeffrey y otros.

Refinando modelos cosmológicos

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

El mapa del Dark Energy Survey se obtuvo mediante un método llamado lente gravitacional débil, es decir, viendo cómo la luz de galaxias distantes era 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, tanto oscura como visible, en el primer plano de estas galaxias. El mapa resultante cubría una cuarta parte del cielo en el hemisferio sur.

Para el nuevo estudio, los investigadores utilizaron supercomputadoras financiadas por el gobierno del Reino Unido 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 sustentaba.

Los investigadores crearon mapas de materia a partir de cada una de estas simulaciones. A aprendizaje automático El modelo se utilizó para extraer la información de estos mapas que era relevante para los modelos cosmológicos. Una segunda herramienta de aprendizaje automático, que aprendió de los numerosos ejemplos de universos simulados con diferentes modelos cosmológicos, analizó los datos reales observados y proporcionó las probabilidades de que cualquier modelo cosmológico dado fuera el verdadero modelo de nuestro Universo.

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

Las simulaciones se realizaron 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 próxima fase de proyectos sobre el universo oscuro, incluida la misión Euclid de la Agencia Espacial Europea (ESA), lanzada el verano pasado, aumentará en gran medida 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. El universo es una señal de que los modelos cosmológicos actuales están equivocados o hay 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 que queda del fondo cósmico de microondas. Big Bang.

La colaboración Dark Energy Survey, de la cual la UCL es miembro fundador, está organizada por el Laboratorio del Acelerador Nacional Fermi (Fermilab) del Departamento de Energía de EE. UU. e involucra a más de 400 científicos de 25 instituciones en siete países.

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

Referencia: “Resultados del tercer año de la encuesta sobre energía oscura: inferencia wCDM basada en simulación y sin probabilidad con compresión neuronal de 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. Alarcon, A. Amon, K. Bechtol, MR Becker, GM Bernstein, A. Campos, A. Carnero Rosell, R. Chen, A. Choi, J. DeRose, A Drlica-Wagner, K. Eckert, S. Everett, A. Ferté, D. Gruen, RA Gruendl, K. Herner, M. Jarvis, J. McCullough, J. Myles, A. Navarro-Alsina, S. Pandey, M .Raveri, RP Rollins, ES Rykoff, C. Sánchez, LF Secco, I. Sevilla-Noarbe, E. Sheldon, T. Shin, MA Troxel, I. Tutusaus, TN Varga, B. Yanny, B. Yin, J Zuntz , M. Aguena, SS Allam, O. Alves, D. Bacon, S. Bocquet, D. Brooks, LN da Costa, TM Davis, J. De Vicente, S. Desai, HT Diehl, I. Ferrero, J. Frieman, J. García-Bellido, E. Gaztanaga, G. Giannini, G. Gutiérrez, SR Hinton, DL Hollowood, K. Honscheid, D. Huterer, DJ James, O. Lahav, S. Lee, JL Marshall, J . Mena-Fernández, R. Miquel, A. Pieres, AA Plazas Malagón, A. Roodman, M. Sako, E. Sanchez, D. Sanchez Cid, M. Smith, E. Suchyta, MEC Swanson, G. Tarle, DL Tucker , N. Weaverdyck, J. Weller, P. Wiseman y M. Yamamoto, 4 de marzo de 2024, Cosmología y astrofísica no galáctica.
arXiv:2403.02314