Los astrofísicos del Instituto de Estudios Avanzados, el Instituto Flatiron y sus colegas han aprovechado la inteligencia artificial para descubrir una mejor manera de estimar la masa de colosales cúmulos de galaxias. La IA descubrió que simplemente agregando un término simple a una ecuación existente, los científicos pueden producir estimaciones de masa mucho mejores que las que tenían anteriormente.
Las estimaciones mejoradas permitirán a los científicos calcular las propiedades fundamentales del universo con mayor precisión, informaron los astrofísicos el 17 de marzo de 2023, en el procedimientos de la Academia Nacional de Ciencias.
«Es algo tan simple; esa es la belleza de esto», dice el coautor del estudio Francisco Villaescusa-Navarro, científico investigador del Centro de Astrofísica Computacional (CCA) del Instituto Flatiron en la ciudad de Nueva York. «Aunque es tan simple, nadie antes había encontrado este término. La gente ha estado trabajando en esto durante décadas y todavía no pudieron encontrarlo».
El trabajo fue dirigido por Digvijay Wadekar del Instituto de Estudios Avanzados en Princeton, Nueva Jersey, junto con investigadores del CCA, la Universidad de Princeton, la Universidad de Cornell y el Centro de Astrofísica | Harvard y Smithsonian.
Comprender el universo requiere saber dónde y cuánto cosa hay. Los cúmulos de galaxias son los objetos más masivos del universo: un solo cúmulo puede contener desde cientos hasta miles de galaxias, junto con plasma, gas caliente y materia oscura. La gravedad del cúmulo mantiene unidos estos componentes. Comprender tales cúmulos de galaxias es crucial para precisar el origen y la evolución continua del universo.
Quizás la cantidad más crucial que determina las propiedades de un cúmulo de galaxias es su masa total. Pero medir esta cantidad es difícil: las galaxias no se pueden «pesar» colocándolas en una balanza. El problema se complica aún más porque la materia oscura que constituye gran parte de la masa de un cúmulo es invisible. En cambio, los científicos deducen la masa de un cúmulo a partir de otras cantidades observables.
A principios de la década de 1970, Rashid Sunyaev, actual profesor visitante distinguido en la Facultad de Ciencias Naturales del Instituto de Estudios Avanzados, y su colaborador Yakov B. Zel’dovich desarrollaron una nueva forma de estimar las masas de los cúmulos de galaxias. Su método se basa en el hecho de que a medida que la gravedad aplasta la materia, los electrones de la materia retroceden. Esa presión de electrones altera la forma en que los electrones interactúan con partículas de luz llamadas fotones. A medida que los fotones sobrantes del resplandor del Big Bang golpean el material comprimido, la interacción crea nuevos fotones. Las propiedades de esos fotones dependen de la fuerza con la que la gravedad comprima el material, lo que a su vez depende del peso del cúmulo de galaxias. Al medir los fotones, los astrofísicos pueden estimar la masa del cúmulo.
Sin embargo, esta ‘presión de electrones integrada’ no es un indicador perfecto de la masa, porque los cambios en las propiedades de los fotones varían según el cúmulo de galaxias. Wadekar y sus colegas pensaron que una herramienta de inteligencia artificial llamada «regresión simbólica» podría encontrar un mejor enfoque. La herramienta esencialmente prueba diferentes combinaciones de operadores matemáticos, como la suma y la resta, con varias variables, para ver qué ecuación se ajusta mejor a los datos.
Wadekar y sus colaboradores ‘alimentaron’ su programa de IA con una simulación de universo de última generación que contiene muchos cúmulos de galaxias. Luego, su programa, escrito por el investigador de CCA Miles Cranmer, buscó e identificó variables adicionales que podrían hacer que las estimaciones de masa sean más precisas.
La IA es útil para identificar nuevas combinaciones de parámetros que los analistas humanos podrían pasar por alto. Por ejemplo, si bien es fácil para los analistas humanos identificar dos parámetros significativos en un conjunto de datos, la IA puede analizar mejor grandes volúmenes, lo que a menudo revela factores de influencia inesperados.
«En este momento, gran parte de la comunidad de aprendizaje automático se centra en las redes neuronales profundas», explicó Wadekar. “Son muy potentes, pero el inconveniente es que son casi como una caja negra. No podemos entender lo que sucede en ellos. En física, si algo está dando buenos resultados, queremos saber por qué lo está haciendo. Regresión simbólica es beneficioso porque busca un conjunto de datos determinado y genera expresiones matemáticas simples en forma de ecuaciones simples que puede comprender. Proporciona un modelo fácilmente interpretable».
El programa de regresión simbólica de los investigadores les entregó una nueva ecuación, que podía predecir mejor la masa del cúmulo de galaxias al agregar un solo término nuevo a la ecuación existente. Wadekar y sus colaboradores luego trabajaron hacia atrás a partir de esta ecuación generada por IA y encontraron una explicación física. Se dieron cuenta de que la concentración de gas se correlaciona con las regiones de los cúmulos de galaxias donde las inferencias de masa son menos confiables, como los núcleos de las galaxias donde acechan los agujeros negros supermasivos. Su nueva ecuación mejoró las inferencias de masa al minimizar la importancia de esos núcleos complejos en los cálculos. En cierto sentido, el cúmulo de galaxias es como una rosquilla esférica. La nueva ecuación extrae la gelatina en el centro de la rosquilla que puede introducir errores más grandes y, en cambio, se concentra en las afueras pastosas para obtener inferencias de masa más confiables.
Los investigadores probaron la ecuación descubierta por IA en miles de universos simulados de la suite CAMELS de CCA. Descubrieron que la ecuación reducía la variabilidad en las estimaciones de masa de cúmulos de galaxias entre un 20 y un 30 por ciento para cúmulos grandes en comparación con la ecuación utilizada actualmente.
La nueva ecuación puede proporcionar a los astrónomos observacionales que participan en los próximos estudios de cúmulos de galaxias mejores conocimientos sobre la masa de los objetos que observan. «Hay bastantes encuestas dirigidas a cúmulos de galaxias [that] están planeados en un futuro cercano”, señaló Wadekar. “Los ejemplos incluyen el Observatorio Simons, el experimento CMB de la Etapa 4 y una encuesta de rayos X llamada eROSITA. Las nuevas ecuaciones pueden ayudarnos a maximizar el rendimiento científico de estas encuestas».
Wadekar también espera que esta publicación sea solo la punta del iceberg en lo que respecta al uso de la regresión simbólica en astrofísica. «Creemos que la regresión simbólica es altamente aplicable para responder muchas preguntas astrofísicas», dijo. «En muchos casos en astronomía, las personas hacen un ajuste lineal entre dos parámetros e ignoran todo lo demás. Pero hoy en día, con estas herramientas, se puede ir más allá. La regresión simbólica y otras herramientas de inteligencia artificial pueden ayudarnos a ir más allá de los dos parámetros existentes. leyes de potencia en una variedad de formas diferentes, que van desde la investigación de pequeños sistemas astrofísicos como exoplanetas, hasta cúmulos de galaxias, las cosas más grandes del universo».