🔬 physics

Reconstructing f(T) Gravity from Observational Hubble Data: A PINN Approach

Diese Studie verwendet ein Physics-Informed Neural Network (PINN), um den Hubble-Parameter aus Beobachtungsdaten nichtparametrisch zu rekonstruieren und anschließend die entsprechende f(T)-Gravitationsfunktion abzuleiten, wodurch ein robuster, datengesteuerter Rahmen demonstriert wird, der mit dem Standard-ΛCDM-Kosmologiemodell übereinstimmt.

Ursprüngliche Autoren: RAVI KANT MISHRA, Priya Awasthi

Veröffentlicht 2026-09-09

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: RAVI KANT MISHRA, Priya Awasthi

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das Universum dehnt sich aus, und dies geschieht mit einer beschleunigten Geschwindigkeit. Diese Entdeckung, die durch Jahrzehnte von Beobachtungen – vom Licht ferner explodierender Sterne bis hin zum schwachen Nachleuchten des Urknalls – bestätigt wurde, stellt eine der tiefgreifendsten Fakten der modernen Kosmologie dar. Um diese Beschleunigung zu erklären, haben sich Wissenschaftler traditionell auf ein Standardmodell verlassen, das eine mysteriöse Kraft namens Dunkle Energie beinhaltet, welche Galaxien auseinanderdrückt. Diese Erklärung bringt jedoch erhebliche theoretische Kopfschmerzen mit sich, was viele Forscher dazu veranlasst, zu fragen, ob sich die Gravitation selbst auf den größten Skalen möglicherweise anders verhält, als wir es derzeit verstehen. Anstatt eine neue, unsichtbare Substanz zum kosmischen Inventar hinzuzufügen, schlagen einige Physiker vor, dass die Regeln der Gravitation eine leichte Anpassung benötigen. Eine solche Anpassung beinhaltet eine Theorie namens teleparallele Gravitation, die die Kraft nicht als Krümmung der Raumzeit, sondern als eine Verdrehung oder Torsion des Gewebes des Universums beschreibt. Wenn diese Verdrehung der wahre Treiber der kosmischen Beschleunigung ist, dann sollte die mathematische Funktion, die sie beschreibt, direkt aus der Geschwindigkeit ableitbar sein, mit der sich das Universum zu verschiedenen Zeitpunkten seiner Geschichte ausdehnt.

Ein Team von Forschern am Sant Longowal Institute of Engineering and Technology in Indien hat einen neuartigen Ansatz für dieses Problem gewählt, indem sie eine Art künstliche Intelligenz einsetzten, um die Geschichte des Universums direkt aus Beobachtungsdaten zu lesen. Anstatt eine spezifische mathematische Formel dafür zu erraten, wie sich die Gravitation ändern könnte, verwendeten sie ein System, das als Physics-Informed Neural Network bekannt ist. Dies ist ein Computerprogramm, das darauf ausgelegt ist, Muster aus realen Messwerten zu lernen und gleichzeitig die grundlegenden Gesetze der Physik zu befolgen. Die Forscher speisten das Netzwerk mit Daten über die Expansionsrate des Universums bei verschiedenen Entfernungen, bekannt als Rotverschiebungen, und baten das System, die gesamte Expansionsgeschichte zu rekonstruieren, ohne ein vorgegebenes Modell anzunehmen. Das Netzwerk wurde darauf trainiert, sicherzustellen, dass seine Vorhersagen mit den tatsächlichen Messungen übereinstimmen und gleichzeitig die physikalischen Gleichungen erfüllen, die bestimmen, wie das Universum sich verhalten sollte. Das Ergebnis war eine glatte, zuverlässige Karte der kosmischen Expansion, die nicht auf vorgefassten Vorstellungen davon beruhte, wie das Universum auszusehen habe.

Aus dieser rekonstruierten Expansionsgeschichte war das Team in der Lage, rückwärts zu arbeiten, um das Verhalten der Torsionsskalar zu bestimmen – jene spezifische Größe, die die Verdrehung der Raumzeit in dieser alternativen Gravitationstheorie misst. Durch die Analyse, wie sich diese Verdrehung im Laufe der Zeit veränderte, konnten sie die spezifische mathematische Funktion ableiten, die die modifizierte Gravitation beschreibt, und somit die Gesetze des Universums effektiv aus den Daten selbst rückentwickelten. Die Studie fand heraus, dass die durch die künstliche Intelligenz rekonstruierte Expansionsgeschichte bemerkenswert gut mit dem Standardmodell der Kosmologie übereinstimmt, insbesondere bei geringeren Entfernungen, wo die Datenlage am reichhaltigsten ist. Das rekonstruierte Modell legt nahe, dass das Universum derzeit mit einer Rate von etwa 70,1 Kilometern pro Sekunde pro Megaparsec expandiert, wobei Materie etwa 26 Prozent des gesamten kosmischen Energiebudgets ausmacht. Diese Werte liegen komfortabel innerhalb der Bereiche, die vom Standardmodell erwartet werden, was darauf hindeutet, dass das Universum zwar möglicherweise einer etwas anderen geometrischen Regel folgt, aber immer noch sehr stark dem entspricht, was wir bereits kennen.

Die Forscher untersuchten auch die Stabilität ihrer Ergebnisse, indem sie testeten, wie das Modell auf kleine Änderungen in seinen internen Einstellungen reagierte und indem sie die Fehler zwischen ihren Vorhersagen und den tatsächlichen Daten analysierten. Das System erwies sich als hochgradig stabil, wobei die Fehler eng um den Nullpunkt gruppierten, was darauf hindeutet, dass die künstliche Intelligenz die Expansionsrate weder systematisch über- noch unterschätzt hat. Die abgeleitete Funktion, die die modifizierte Gravitation beschreibt, konnte durch ein einfaches kubisches Polynom dargestellt werden – eine Art Kurve, die die Daten mit einem extrem hohen Grad an Präzision anpasst. Dies deutet darauf hin, dass das komplexe Verhalten der Expansion des Universums durch eine relativ unkomplizierte mathematische Beziehung erfasst werden kann, selbst ohne diese Beziehung im Voraus vorauszusetzen. Die Studie zeigt, dass maschinelles Lernen, wenn es von physikalischen Gesetzen geleitet wird, als mächtiges Werkzeug dienen kann, um die zugrunde liegenden Mechanismen des Kosmos direkt aus Beobachtungen aufzudecken, und bietet einen neuen Weg zu testen, ob unser derzeitiges Verständnis der Gravitation vollständig ist oder ob eine subtile Drehung in der Geometrie des Raumes der Schlüssel zum beschleunigten Schicksal des Universums ist.

Technisches Resümee: Rekonstruktion der f(T)-Gravitation aus beobachtbaren Hubble-Daten mittels PINN

Problemstellung
Die beschleunigte Expansion des Universums, bestätigt durch Typ-Ia-Supernovae, CMB, BAO und beobachtbare Hubble-Daten (OHD), stellt eine fundamentale Herausforderung innerhalb der Allgemeinen Relativitätstheorie dar, die häufig der Dunklen Energie oder der kosmologischen Konstante ( $\Lambda$ ) zugeschrieben wird. Während das Standard- $\Lambda$ CDM-Modell Beobachtungen gut beschreibt, steht es vor theoretischen Probleten wie dem Koinzidenzproblem und der Hubble-Spannung. Modifizierte Gravitationstheorien, insbesondere die $f(T)$ -Gravitation (eine Erweiterung der teleparallelen Gravitation, bei der der Torsionsskalar $T$ zu einer beliebigen Funktion $f(T)$ generalisiert wird), bieten eine alternative geometrische Erklärung für die kosmische Beschleunigung, ohne Dunkle Energie heranzuziehen zu müssen.

Es besteht eine kritische Lücke bei der Rekonstruktion der spezifischen Funktionsform von $f(T)$ direkt aus Daten, ohne eine vordefinierte parametrische Form (z. B. linear oder Potenzgesetz) anzunehmen. Traditionelle nicht-parametrische Methoden wie die Gauß-Prozess-Regression hängen oft von Kernel-Annahmen ab, die einen Bias einführen können, während Standard-Künstliche-Neuronale-Netze (ANNs) Lösungen erzeugen können, die physikalische Gesetze verletzen. Diese Studie adressiert die Notwendigkeit einer modellunabhängigen, physikalisch konsistenten Rekonstruktion der kosmischen Expansionsgeschichte und der anschließenden Ableitung der $f(T)$ -Funktion.

Methodik
Die Autoren verwenden ein Physics-Informed Neural Network (PINN)-Framework, um den Hubble-Parameter $H(z)$ direkt aus OHD zu rekonstruieren. Die Methodik integriert Beobachtungsdaten mit den beherrschenden physikalischen Gleichungen der teleparallelen Gravitation.

Datenquelle: Das Netzwerk wird auf einem Datensatz von 31 beobachtbaren Hubble-Datenpunkten über Rotverschiebungen von $z \in [0.07, 2.36]$ trainiert (Tabelle 1).
Netzwerkarchitektur: Ein Feedforward-Neuronales-Netzwerk mit einem Eingangsneuron (Rotverschiebung $z$ ), zwei verborgenen Schichten (8 Neuronen pro Schicht) unter Verwendung von Hyperbeltangens-Aktivierungsfunktionen und einem Ausgangsneuron ( $H(z)$ ).
Konstruktion der Verlustfunktion: Das Training minimiert eine zusammengesetzte Verlustfunktion ( $L_{total}$ $L_{t o t a l}$ ), bestehend aus:
- Datenverlust ( $L_{data}$ ): Die $\chi^2$ -Differenz zwischen dem vorhergesagten $H(z)$ und den Beobachtungsdaten.
- Physikverlust ( $L_{phy}$ ): Erzwingt die Beziehung zwischen dem Dekelerationsparameter $q(z)$ und $H(z)$ , indem spezifisch Abweichungen von der physikalischen Definition $q(z) = -1 + (1+z)\frac{H'(z)}{H(z)}$ bestraft werden.
- Monotonieverlust ( $L_{mono}$ ): Stellt sicher, dass $H(z)$ monoton verläuft (mit zunehmender Rotverschiebung nicht-steigend), um unphysikalische Oszillationen zu verhindern.
- Randbedingungsverlust ( $L_0$ ): Beschränkt den heutigen Hubble-Parameter $H_0$ .
- Clipping-Verlust ( $L_{clip}$ ): Gewährleistet die numerische Stabilität, indem die Vorhersagen in physikalisch akzeptable Bereiche begrenzt werden.
Optimierung: Das Netzwerk wird mit dem Adam-Optimizer unter Verwendung adaptiver Lernraten und Momentum trainiert.
Rekonstruktionskette:
- Das trainierte PINN liefert ein glattes, nicht-parametrisches $H(z)$ .
- Unter Verwendung der FLRW-Metrik-Relation in der teleparallelen Gravitation, $T = -6H(z)^2$ , wird der Torsionsskalar $T(z)$ abgeleitet.
- Die Feldgleichungen der $f(T)$ -Gravitation werden zur numerischen Integration genutzt, um die Funktion $f(T)$ ohne Annahme einer analytischen Form zu rekonstruieren.
- Die resultierende numerische $f(T)$ wird zur analytischen Vergleichbarkeit durch ein kubisches Polynom angenähert.

Wesentliche Ergebnisse

Rekonstruktion des Hubble-Parameters: Das PINN rekonstruiert $H(z)$ erfolgreich über den beobachteten Rotverschiebungsbereich. Die Rekonstruktion stimmt eng mit dem Standard- $\Lambda$ CDM-Modell überein, insbesondere bei niedrigen und intermediären Rotverschiebungen. Der Großteil der Beobachtungspunkte liegt innerhalb der $1\sigma$ - und $2\sigma$ -Konfidenzintervalle der PINN-Vorhersage.
Kosmische Expansionsgeschichte: Der rekonstruierte Dekelerationsparameter $q(z)$ zeigt einen Übergang von Dekeleration zu Beschleunigung bei $z_t \approx 0.6$ , was im Einklang mit dem aktuellen kosmologischen Verständnis steht.
$f(T)$ -Funktion: Die modellunabhängige Rekonstruktion von $f(T)$ zeigt eine glatte, stabile Abhängigkeit vom Torsionsskalar $T$ . Die numerische Rekonstruktion wird gut durch ein kubisches Polynom ( $f(T) = aT^3 + bT^2 + cT + d$ ) angenähert, mit einem Bestimmtheitsmaß von $R^2 = 0.999996$ und einem RMSE von $1.7488 \times 10^2$ .
Parameterbeschränkung: Eine $\chi^2$ -basierte Likelihood-Analyse in der $(\Omega_m, H_0)$ -Ebene liefert Best-Fit-Werte von $H_0 \approx 70.1 \text{ km s}^{-1} \text{ Mpc}^{-1}$ und $\Omega_m \approx 0.26$ . Die Konfidenz-Konturen zeigen eine negative Korrelation zwischen diesen Parametern, was konsistent mit den Standard-Kosmologischen Degenerationen ist.
Konvergenz und Stabilität: Die Analyse der Verlustlandschaft offenbart eine glatte, beckenartige Struktur mit einem einzigen wohldefinierten Minimum, was darauf hindeutet, dass die trainierte Lösung stabil und robust gegenüber Gewicht-Perturbationen ist. Die Residuenanalyse bestätigt, dass das Modell global unvoreingenommen ist, wobei die Fehler um Null zentriert sind.

Bedeutung und Ansprüche
Das Paper behauptet, eine direkte, datengesteuerte Verbindung zwischen beobachtender Kosmologie und modifizierter teleparaller Gravitation hergestellt zu haben. Durch die Nutzung von PINNs demonstriert die Studie, dass es möglich ist:

Die kosmische Expansionsgeschichte zu rekonstruieren, ohne eine spezifische kosmologische Parametrisierung anzunehmen.
Die zugrunde liegende $f(T)$ -Gravitationsfunktion direkt aus Beobachtungsbeschränkungen abzuleiten, wobei sichergestellt wird, dass die Lösung sowohl die Datentreue als auch die physikalischen Gesetze (teleparallele Feldgleichungen) erfüllt.
Einen robusten Rahmen für die Untersuchung der späten Evolution des Universums in der teleparallelen Gravitation bereitzustellen, der eine Alternative zu parametrischen Rekonstruktionsmethoden bietet, die unter Kernel-Selektions-Bias oder physikalischer Inkonsistenz leiden könnten.

Die Autoren kommen zu dem Schluss, dass der PINN-Ansatz ein effektives, modellunabhängiges Werkzeug darstellt, das in der Lage ist, sowohl die Expansionsgeschichte als auch modifizierte Gravitationsfunktionsformen aus Beobachtungsdatensätzen zu gewinnen, was das Potenzial von Physics-Informed Machine Learning für die kosmologische Rekonstruktion validiert.

Mehr davon