Constraining cubic and f(P) gravity models with linear regression using RANSAC and polynomial regression

Das Universum dehnt sich aus, eine Tatsache, die vor fast einem Jahrhundert festgestellt wurde, als Astronomen bemerkten, dass sich ferne Galaxien von uns entfernen. Jahrzehntelang glaubten Wissenschaftler, dass sich diese Ausdehnung schließlich verlangsamen würde, zurückgehalten durch die Schwerkraft der gesamten Materie im Kosmos. Beobachtungen Ende der 1990er Jahre enthüllten jedoch eine verblüffende Wahrheit: Das Universum wird nicht langsamer, sondern schneller. Um diese Beschleunigung zu erklären, schlugen Physiker die Existenz der „Dunklen Energie“ vor, einer geheimnisvollen Kraft, die den Raum auseinanderdrückt. Während die Standardtheorie der Gravitation, die von Albert Einstein entwickelt wurde, für den Großteil des Universums hervorragend funktioniert, hat sie Schwierigkeiten, diese kosmische Beschleunigung ohne die Einführung der Dunklen Energie zu erklären. Dies hat Forscher dazu veranlasst, die „modifizierte Gravitation“ zu untersuchen – Theorien, welche die grundlegenden Gesetze der Schwerkraft auf den größten Skalen leicht verändern und potenziell die Notwendigkeit der Dunklen Energie vollständig aufheben könnten. Zwei solche Theorien, bekannt als kubische Gravitation und f(P)-Gravitation, legen nahe, dass die Gleichungen, die Raum und Zeit regieren, komplexer sind als bisher angenommen und höhere mathematische Terme beinhalten, die erst in der unvorstellbaren Leere des Kosmos signifikant werden.

Ein Forschungsteam der GLA University in Indien hat diese beiden Theorien der modifizierten Gravitation kürzlich unter Verwendung moderner computergestützter Werkzeuge einem strengen Test unterzogen. Ihr Ziel war es zu sehen, ob diese komplexen mathematischen Modelle in der Lage sind, die Rate der Expansion des Universums zu verschiedenen Zeitpunkten seiner Geschichte genau vorherzusagen. Zu diesem Zweck griffen sie auf einen Datensatz mit dreißig spezifischen Messungen des Hubble-Parameters zurück, eines Wertes, der angibt, wie schnell sich das Universum in einer bestimmten Entfernung ausdehnt. Anstatt sich ausschließlich auf traditionelle statistische Methoden zu verlassen, setzte das Team eine Reihe von Techniken des maschinellen Lernens ein – Computeralgorithmen, die darauf ausgelegt sind, Muster in Daten zu finden. Sie trainierten diese Algorithmen mit einem Teil der Daten und baten sie dann, die Expansionsraten für die verbleibenden Punkte vorherzusagen. Die Forscher verglichen die von den Modellen des maschinellen Lernens getroffenen Vorhersagen mit den tatsächlichen Beobachtungsdaten sowie mit den Vorhersagen der theoretischen Gravitationsmodelle selbst.

Die Studie konzentrierte sich auf vier spezifische Ansätze des maschinellen Lernens: die Standard-Lineare Regression, die nach geradlinigen Beziehungen sucht; künstliche neuronale Netze, die die Arbeitsweise des menschlichen Gehirns nachahmen; lineare Regression mit RANSAC, eine Methode, die darauf ausgelegt ist, Ausreißer oder „schlechte“ Datenpunkte zu ignorieren; und polynomielle Regression, die nach gekrümmten, nicht-linearen Beziehungen sucht. Die Forscher fanden heraus, dass die Beziehung zwischen der Entfernung von Galaxien und ihrer Expansionsgeschwindigkeit keine einfache gerade Linie, sondern eine Kurve ist. Dies machte die Technik der polynomiellem Regression besonders effektiv. Als das Team maß, wie genau die Vorhersagen des maschinellen Lernens mit den realen Beobachtungen übereinstimmten, verwendeten sie eine Metrik namens „Alpha-Abweichung“, wobei ein niedrigerer Wert eine bessere Passgenauigkeit anzeigt. Die Ergebnisse zeigten, dass die Technik der polynomiellem Regression außergewöhnlich gut abschnitt und Werte lieferte, die nahezu identisch mit den theoretischen Vorhersagen der kubischen und der f(P)-Gravitation waren. Tatsächlich übertraf die polynomielle Regression die anderen Methoden des maschinellen Lernens, einschließlich der neuronalen Netze und der linearen Regression mit RANSAC, bei der Erfassung des subtilen, nicht-linearen Verhaltens der Expansion des Universums.

Einer der bedeutendsten Befunde war, dass die Modelle des maschinellen Lernens nicht bloß geraten, sondern die Gültigkeit der theoretischen Rahmenwerke bestätigten. Das Modell der polynomiellem Regression erzeugte eine Alpha-Abweichung von 0,1362 für sowohl die kubische als auch die f(P)-Gravitation – ein Wert, der der theoretischen Größe von 0,1360 für die kubische Gravitation und 0,1362 für die f(P)-Gravitation bemerkenswert nahe kommt. Dies deutet darauf hin, dass die komplexen Gleichungen, die durch diese Theorien der modifizierten Gravitation vorgeschlagen werden, konsistent mit den tatsächlichen Daten sind, die wir am Himmel beobachten. Während die Methode der Standard-Linearen Regression Schwierigkeiten hatte, weil sie versuchte, eine gerade Linie auf eine gekrümmte Realität zu erzwingen, navigierte die polynomielle Regression erfolgreich durch die Krümmung der Daten. Die Studie stellte zudem fest, dass die lineare Regression mit RANSAC, die für unordentliche Daten konzipiert ist, besser abschnitt als die Standard-Lineare Regression, aber dennoch nicht die Präzision des polynomiellem Ansatzes erreichte.

Die Forscher kommen zu dem Schluss, dass diese fortgeschrittenen Techniken des maschinellen Lernens leistungsstarke Werkzeuge sind, um die Grenzen unseres Verständnisses der Gravitation zu testen. Durch den Einsatz der polynomiellem Regression konnten sie zeigen, dass die Modelle der kubischen und der f(P)-Gravitation robust sind und in der Lage sind, die Beschleunigung des Universums zu beschreiben, ohne notwendigerweise die Einführung der Dunklen Energie zu erfordern. Die Studie behauptet nicht, das Rätsel der Dunklen Energie gelöst oder bewiesen zu haben, dass diese modifizierten Theorien die endgültige Antwort sind, aber sie liefert starke Beweise dafür, dass diese spezifischen mathematischen Modelle gut mit den Beobachtungsdaten übereinstimmen. Die Autoren schlagen vor, dass zukünftige Arbeiten größere Datensätze einbeziehen und die Untersuchung anderer kosmologischer Modelle mit noch fortschrittlicheren Techniken des maschinellen Lernens umfassen sollten. Für den Moment bietet diese Forschung eine klare Demonstration dafür, dass, wenn sich das Universum auf eine gekrümmte, komplexe Weise verhält, die richtige Art der mathematischen Kurvenanpassung die zugrunde liegenden Naturgesetze mit überraschender Klarheit offenbaren kann.