Información oculta en la distribución de las galaxias ha sido extraída para estimar los valores de cinco de los seis parámetros del módelo estándar del universo con una precisión increíble.
En comparación con las técnicas convencionales que utilizan los mismos datos de galaxias, el nuevo enfoque de los investigadores del Instituto Flatiron y sus colegas arroja menos de la mitad de la incertidumbre para el parámetro que describe la aglomeración de la materia del universo. El método, impulsado por IA (Inteligencia Artificial) también concordó estrechamente con las estimaciones de los parámetros cosmológicos basadas en observaciones de otros fenómenos, como la luz más antigua del universo.
Los investigadores presentan su método, la Inferencia Basada en Simulación de Galaxias (o SimBIG), en una serie de artículos recientes, incluido un nuevo estudio publicado en Nature Astronomy.
La generación de restricciones más estrictas sobre los parámetros mientras se utilizan los mismos datos será crucial para estudiar todo, desde la composición de la materia oscura hasta la naturaleza de la energía oscura que divide el universo, dice en un comunicado la coautora del estudio Shirley Ho, líder de grupo en el Centro de Astrofísica Computacional (CCA) del Instituto Flatiron en la ciudad de Nueva York. Esto es especialmente cierto a medida que se realicen nuevos estudios del cosmos en los próximos años, dice.
Los seis parámetros cosmológicos describen la cantidad de materia ordinaria, materia oscura y energía oscura en el universo y las condiciones posteriores al Big Bang, como la opacidad del universo recién nacido a medida que se enfriaba y si la masa en el cosmos está dispersa o en grandes grupos. Los parámetros «son esencialmente las ‘configuraciones’ del universo que determinan cómo opera en las escalas más grandes», dice en un comunicado Liam Parker, coautor del estudio y analista de investigación en el CCA.
Una de las formas más importantes en que los cosmólogos calculan los parámetros es estudiando la agrupación de las galaxias del universo. Anteriormente, estos análisis solo observaban la distribución a gran escala de las galaxias.
«No hemos podido llegar a escalas pequeñas», dice ChangHoon Hahn, investigador asociado en la Universidad de Princeton y autor principal del estudio. «Desde hace un par de años, sabemos que hay información adicional allí; simplemente no teníamos una buena manera de extraerla».
Hahn propuso una forma de aprovechar la IA para extraer esa información a pequeña escala. Su plan tenía dos fases. Primero, él y sus colegas entrenarían un modelo de IA para determinar los valores de los parámetros cosmológicos basándose en la apariencia de universos simulados. Luego mostrarían a su modelo observaciones reales de la distribución de galaxias.
SIMULACIÓN CON 2.000 UNIVERSOS
Hahn, Ho, Parker y sus colegas entrenaron su modelo mostrándole 2.000 universos en forma de caja del paquete de simulación Quijote desarrollada por CCA, con cada universo creado utilizando diferentes valores para los parámetros cosmológicos. Los investigadores incluso hicieron que los 2.000 universos parecieran datos generados por estudios de galaxias, incluidos los defectos de la atmósfera y los propios telescopios, para darle al modelo una práctica realista.
«Es una gran cantidad de simulaciones, pero es una cantidad manejable», dice Hahn. «Si no tuvieras el aprendizaje automático, necesitarías cientos de miles».
Al ingerir las simulaciones, el modelo aprendió con el tiempo cómo los valores de los parámetros cosmológicos se correlacionan con diferencias de pequeña escala en la agrupación de galaxias, como la distancia entre pares individuales de galaxias. SimBIG también aprendió a extraer información de la disposición general de las galaxias del universo observando tres o más galaxias a la vez y analizando las formas creadas entre ellas, como triángulos largos y estirados o triángulos equiláteros achaparrados.
Una vez entrenado el modelo, los investigadores le presentaron 109.636 galaxias reales medidas por el Baryon Oscillation Spectroscopic Survey. Como esperaban, el modelo aprovechó los detalles a pequeña y gran escala de los datos para aumentar la precisión de sus estimaciones de parámetros cosmológicos. Esas estimaciones fueron tan precisas que fueron equivalentes a un análisis tradicional que utiliza alrededor de cuatro veces más galaxias.
Eso es importante, dice Ho, porque el universo solo tiene una cierta cantidad de galaxias. Al obtener una mayor precisión con menos datos, SimBIG puede ampliar los límites de lo posible.
Una aplicación emocionante de esa precisión, dice Hahn, será la crisis cosmológica conocida como la tensión de Hubble. La tensión surge de las discordancias en las estimaciones de la constante de Hubble, que describe la rapidez con la que todo en el universo se expande.
Para calcular la constante de Hubble es necesario estimar el tamaño del universo utilizando «reglas cósmicas». Las estimaciones basadas en la distancia a las estrellas en explosión llamadas supernovas en galaxias distantes son alrededor de un 10 por ciento más altas que las basadas en el espaciamiento de las fluctuaciones en la luz más antigua del universo.
