Deep Learning for f (T) Gravity: Joint PINN Reconstruction and MCMC Analysis of Data Sets

Seit Jahrzehnten beobachten Astronomen, wie sich das Universum mit immer größer werdendem Tempo ausdehnt. Diese Entdeckung, die Ende der 1990er Jahre gemacht wurde, stellte die lang gehegte Überzeugung auf den Kopf, dass die Gravitation die Ausdehnung des Kosmos verlangsamen sollte. Um diese Beschleunigung zu erklären, schlugen Wissenschaftler die Existenz einer mysteriösen Kraft namens Dunkle Energie vor, die oft als eine konstante Energie modelliert wird, die den leeren Raum erfüllt. Diese Standarderklärung, bekannt als Lambda-CDM-Modell, steht jedoch vor tiefgreifenden theoretischen Rätseln. Sie lässt Physiker darüber rätseln, warum das Universum genau jetzt beschleunigt, und bietet keinen grundlegenden Grund für die spezifische Stärke dieses mysteriösen Schubs. Aufgrund dieser Lücken haben Forscher damit begonnen, zu untersuchen, ob sich die Gravitation selbst auf den größten Skalen möglicherweise anders verhält, indem sie etwa ihre Regeln ändert, während sich das Universum ausdehnt. Eine solche Idee ist eine Theorie namens Teleparallel-Gravitation, die die Kraft der Gravitation nicht als Krümmung des Raums, sondern als eine Verdrehung oder Torsion des Gewebes des Kosmos beschreibt.

Ein Team von Forschern aus Indien hat einen frischen Ansatz gewählt, um diese Ideen zu testen. Anstatt zu raten, wie die Regeln dieser verdrehenden Gravitation aussehen könnten, bauten sie ein Computersystem, das darauf ausgelegt ist, die Regeln direkt aus den Daten zu erlernen. Sie kombinierten zwei massive Sammlungen astronomischer Beobachtungen: eine, die misst, wie schnell sich das Universum zu verschiedenen Zeiten seiner Geschichte ausdehnt, und eine andere, die die Helligkeit explodierender Sterne verfolgt, um kosmische Distanzen abzubilden. Indem sie diese Daten in eine spezialisierte Art künstlicher Intelligenz einspeisten, die als physik-informiertes neuronales Netzwerk bekannt ist, ermöglichten es die Forscher dem Computer, die Geschichte der Expansion des Universums zu rekonstruieren und dabei die Gesetze der Physik strikt einzuhalten. Das System nahm keine spezifische Form für die Gravitationskraft an; es ließ schlichtweg die Beobachtungen die Form der Theorie leiten.

Das Ergebnis war ein glattes, kontinuierliches Bild davon, wie sich das Universum über Milliarden von Jahren ausgedehnt hat. Aus dieser rekonstruierten Geschichte leitete das Team die spezifische mathematische Form der verdrehenden Gravitation ab, die erforderlich wäre, um eine solche Expansion zu erzeugen. Sie vereinfachten diese komplexe, datengesteuerte Form anschließend mithilfe eines kubischen Polynoms – einer Art Gleichung, die krümmen und verdrehen kann, um komplexen Mustern zu folgen – in eine handhabbare Formel. Um sicherzustellen, dass ihre Ergebnisse robust waren, verwendeten sie fortgeschrittene statistische Methoden, um die wahrscheinlichsten Werte für die Zahlen in dieser Gleichung zu berechnen und den Bereich der Unsicherheit abzubilden. Die Analyse zeigte, dass das rekonstruierte Modell gut zu den Beobachtungsdaten passt und die Expansionsgeschichte über den gesamten gemessenen Bereich der Rotverschiebungen eng verfolgt.

Als die Forscher ihr neues, datengesteuertes Modell mit der Standardtheorie der Gravitation verglichen, waren die Ergebnisse nuanciert. Das Standardmodell, das eine konstante kosmologische Konstante annimmt, lieferte immer noch eine etwas bessere statistische Anpassung an die Daten und erforderte weniger Annahmen, um die Beobachtungen zu erklären. Das neue Modell war jedoch nicht fehlerhaft; es blieb eine lebensfähige Beschreibung des Universums, die auf eine glatte, systematische Weise von der Standardtheorie abweicht. Die Studie zeigte, dass milde Änderungen der Gravitationsgesetze durch die aktuellen Beobachtungen weiterhin zulässig sind. Die bedeutendste Errungenschaft dieser Arbeit war nicht unbedingt der Beweis dafür, dass das Standardmodell falsch ist, sondern vielmehr die Demonstration einer leistungsstarken neuen Methode. Durch die Kombination von Deep Learning mit statistischer Analyse schufen die Forscher eine flexible Pipeline, die Gravitationstheorien direkt aus dem Himmel rekonstruieren kann und somit einen Weg bietet, modifizierte Gravitationstheorien gegen zukünftige, präzisere Daten zu testen, ohne in vorgefassten Ideen gefangen zu sein.