⚛️ general relativity

Bayesian and Machine-Learning Analyses of Nonminimal $f(Q)$ Gravity and $H_0$ Tension

Este estudio emplea análisis bayesianos y de aprendizaje automático sobre la gravedad $f(Q)$ con acoplamiento no mínimo dentro del formalismo métrico-afín para demostrar que el marco ofrece un enfoque flexible para la cosmología de tiempo tardío que alivia parcialmente la tensión de $H_0$ al tiempo que permanece consistente con diversos conjuntos de datos observacionales.

Autores originales: Simran Arora, Mridul Patel

Publicado 2026-07-30

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Simran Arora, Mridul Patel

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el universo como un globo gigante que se expande. Durante décadas, los científicos han tenido una receta muy fiable para cómo se infla ese globo, llamada el "Modelo Estándar" de la cosmología. Esta receta depende de dos ingredientes principales: una sustancia invisible llamada "Materia Oscura" que mantiene unidas a las galaxias, y un empuje misterioso llamado "Energía Oscura" que hace que el globo se expanda cada vez más rápido. Esta receta funciona tan bien que explica casi todo lo que vemos, desde el resplandor remanente del Big Bang hasta la forma en que se mueven las estrellas.

Pero recientemente, apareció una pequeña grieta en la receta. Cuando los científicos midieron con qué rapidez se expande el universo justo ahora utilizando dos métodos diferentes, obtuvieron dos respuestas distintas. Un método, que observa el universo bebé (los restos del Big Bang), dice que la tasa de expansión es de aproximadamente 67.4 km/s/Mpc. El otro método, que observa el universo "adulto" cercano mediante estrellas explosivas, dice que es de unos 73.04 km/s/Mpc. Es como si dos chefs midieran el mismo pastel y obtuvieran tamaños diferentes; la diferencia es pequeña en términos absolutos, pero estadísticamente, es un asunto enorme. Este desacuerdo se conoce como la "Tensión de Hubble", y sugiere que nuestra receta podría estar omitiendo un ingrediente secreto o que las reglas de la gravedad que hemos estado usando no cuentan toda la historia.

Este artículo profundiza en una receta de gravedad ligeramente extraña para ver si puede arreglar esa medición del pastel. En lugar de las reglas habituales de la gravedad (Relatividad General), los autores exploran una teoría llamada gravedad f(Q). En esta teoría, la gravedad no trata solo de la curvatura del espacio o de la torsión del espacio, sino de algo llamado no metricidad. Piensa en la no metricidad como una "elasticidad" o un cambio en la regla que usamos para medir distancias. En este nuevo marco, los autores proponen que esta elasticidad no se queda ahí sentada; habla directamente con la materia del universo (como las estrellas y el gas), creando un "acoplamiento no mínimo". Es como si la propia regla le estuviera susurrando al pastel, cambiando su forma de expandirse. Los autores construyeron un modelo matemático específico para esto, lo pasaron por una simulación informática masiva utilizando datos reales de telescopios e incluso utilizaron inteligencia artificial para verificar su trabajo.

La Investigación: Una Nueva Receta de Gravedad

Los autores comenzaron construyendo una versión específica de esta teoría de gravedad "elástica". Imaginaron un universo donde la escalar de no metricidad (llamémosla Q, la medida de esa elasticidad) está vinculada directamente a la materia del universo. En la física estándar, la materia y la geometría (el espacio) suelen seguir sus propias reglas separadas. Aquí, están unidas como compañeros de baile. Los autores eligieron una forma matemática sencilla para esta relación: una mezcla de una línea recta y una curva (un modelo de ley de potencia). Luego se preguntaron: "Si usamos esta nueva receta de gravedad, ¿podemos lograr que las dos mediciones de la tasa de expansión del universo coincidan mejor?".

Para averiguarlo, no se limitaron a adivinar; trajeron la artillería pesada de los datos. Combinaron información de cuatro fuentes cósmicas diferentes:

Cronómetros Cósmicos: Son galaxias antiguas y pasivas que actúan como cronómetros cósmicos, indicando con qué rapidez se expandía el universo en diferentes momentos del pasado.
Supernovas Tipo Ia: Son estrellas que explotan y actúan como "velas estándar". Como sabemos qué tan brillantes deberían ser, podemos saber a qué distancia se encuentran y con qué rapidez se alejan de nosotros. El equipo utilizó tres catálogos diferentes de estas estrellas (Pantheon+, DESY5 y Union3) para estar extra seguros.
DESI BAO: Utiliza las "Oscilaciones Acústicas de Bariones" (BAO), que son ondas sonoras congeladas del universo temprano. Actúan como una regla cósmica, midiendo la distancia entre las galaxias.
CMB (Fondo Cósmico de Microondas): Esta es la "foto de bebé" del universo, el calor residual del Big Bang, que proporciona una base sobre cómo comenzó nuestro universo.

Los Resultados: Un Arreglo Parcial, No una Varita Mágica

Después de procesar los números utilizando un poderoso método estadístico llamado MCMC (que es como intentar millones de combinaciones diferentes de ingredientes para encontrar la receta perfecta), los autores encontraron algunos resultados interesantes.

Primero, el nuevo modelo de gravedad sí funciona. Se ajusta a los datos casi tan bien como la receta estándar. El universo en su modelo se expande de una manera muy similar a lo que observamos. La "elasticidad" del espacio (la no metricidad) parece proporcionar el empuje adicional justo para cambiar ligeramente la historia de la expansión.

Segundo, y lo más importante, este nuevo modelo alivia parcialmente la Tensión de Hubble. Cuando calcularon la tasa de expansión ( $H_0$ ) utilizando su nuevo modelo, obtuvieron un valor alrededor de 68.4 a 68.8 km/s/Mpc.

Esto es mayor que la medición del "universo bebé" (67.4), lo cual es bueno.
Pero sigue siendo menor que la medición del "universo adulto" (73.04).
La brecha entre el modelo y la medición del "universo adulto" se redujo de aproximadamente 4.4 desviaciones estándar (un desacuerdo enorme) a unas 3 desviaciones estándar.

Piénsalo de esta manera: La receta estándar decía que el pastel era de tamaño 67. La medición local decía que era de tamaño 73. La nueva receta sugiere que el pastel es en realidad de tamaño 68.5. No es una coincidencia perfecta con la medición local, pero es un compromiso mucho mejor que antes. La tensión sigue ahí, pero es menos severa. Los autores señalan que, aunque esto es un paso prometedor, no resuelve completamente el mistermo. El modelo es consistente con los datos, pero el modelo estándar (sin la elasticidad adicional) sigue siendo estadísticamente muy competitivo.

El Control de la IA: Enseñando a las Máquinas a Ver el Patrón

Para asegurarse de que sus matemáticas no fueran solo un golpe de suerte, los autores trajeron a un tercero: el Aprendizaje Automático (Machine Learning). Trataron la historia de la expansión predicha por su nuevo modelo de gravedad como un "maestro" y pidieron a tres tipos diferentes de algoritmos de IA que aprendieran de ella y predijeran la expansión futura.

Los tres "estudiantes" fueron:

Regresión Lineal: Un estudiante simple que busca patrones de líneas rectas.
Bosque Aleatorio (Random Forest): Un estudiante que utiliza muchos árboles de decisión para encontrar patrones complejos.
Regresión de Vectores de Soporte (SVR): Un estudiante sofisticado que puede manejar relaciones curvas y muy complejas.

Los resultados fueron claros: el SVR con un núcleo RBF (un truco matemático específico) fue el estudiante estrella. Predijo la historia de la expansión con una precisión casi perfecta (99.93%). Fue mucho mejor que el estudiante lineal simple e incluso mejor que el Bosque Aleatorio. Esto confirmó que la historia de la expansión generada por su nuevo modelo de gravedad es suave, consistente y sigue un patrón que la IA avanzada puede reconocer fácilmente. Es como si la IA hubiera mirado la nueva receta de gravedad y dijera: "Sí, esto tiene sentido; el patrón es sólido".

El Veredicto

Entonces, ¿cuál es la conclusión final? El artículo sugiere que un universo donde el espacio tiene una cualidad "elástica" que habla directamente con la materia es un candidato viable para explicar nuestro cosmos. Ofrece un marco flexible que puede imitar el modelo estándar pero también ajustar la tasa de expansión para ayudar a mitigar la tensión entre las diferentes mediciones.

Sin embargo, los autores son cuidadosos de no declarar la victoria. Señalan que, si bien la tensión se reduce, no ha desaparecido. El nuevo modelo es un "marco prometedor y flexible", pero requiere más pruebas. El análisis bayesiano (una forma de ponderar qué tan probable es una teoría frente a otra) sugiere que, aunque el nuevo modelo se ajusta a los datos, la complejidad adicional no es fuertemente exigida por las observaciones actuales todavía. Es un fuerte contendiente, pero el modelo estándar sigue manteniéndose firme.

Al final, este artículo es un recordatorio de que el universo está lleno de sorpresas. Al retocar las reglas de la gravedad solo un poco —introduciendo una conversación entre la geometría del espacio y la materia que contiene— podríamos estar acercándonos a comprender por qué el universo se expande al ritmo en que lo hace. La Tensión de Hubble sigue siendo un enigma, pero esta nueva pieza del rompecabezas encaja de una manera que hace que la imagen sea un poco más clara.

Resumen Técnico: Análisis Bayesiano y de Aprendizaje Automático de la Gravedad $f(Q)$ No Mínimamente Acoplada y la Tensión de $H_0$

Planteamiento del Problema
El artículo aborda la persistente "tensión de Hubble", una discrepancia significativa (actualmente de $\sim 4.4\sigma$ a $5.3\sigma$ ) entre las determinaciones del universo temprano de la constante de Hubble ( $H_0 \approx 67.4$ km s $^{-1}$ Mpc $^{-1}$ de Planck/ $\Lambda$ CDM) y las mediciones directas del universo tardío ( $H_0 \approx 73.04$ km s $^{-1}$ Mpc $^{-1}$ de SH0ES). Si bien el modelo estándar $\Lambda$ CDM describe con éxito la evolución cósmica, tiene dificultades para reconciliar estos valores sin invocar nueva física. Los autores investigan si la gravedad $f(Q)$ mínimamente acoplada, una modificación de la Relatividad General (RG) basada en la nometricidad en lugar de la curvatura o la torsión, puede proporcionar un marco geomético consistente que alivie esta tensión al tiempo que permanece compatible con otras sondas cosmológicas.

Metodología
El estudio emplea un formalismo métrico-afín dentro del marco de la teleparalelismo simétrico, donde el escalar de nometricidad $Q$ se acopla directamente al Lagrangiano de la materia ( $L_m$ ).

Marco Teórico: Los autores construyen una acción $S = \int d^4x \sqrt{-g} [\frac{1}{2}f_1(Q) + f_2(Q)L_m]$ . Derivan las ecuaciones de campo y las ecuaciones de continuidad, observando que el acoplamiento no mínimo conduce a la no conservación del tensor de energía-impulso, introduciendo efectivamente un intercambio de energía e impulso entre la geometría y la materia.
Modelo Cosmológico: Se adopta un modelo específico de ley de potencia: $f_1(Q) = -Q + \alpha Q^2$ y $f_2(Q) = 1 + \beta Q$ . La cosmología de fondo se deriva para un universo FLRW plano, produciendo ecuaciones de Friedmann modificadas. El modelo introduce los parámetros de acoplamiento $\alpha$ y $\beta$ , con $\beta$ restringido por la densidad de materia actual y $H_0$ .
Análisis Estadístico: Se realiza un análisis exhaustivo de Monte Carlo por Cadenas de Markov (MCMC) utilizando el muestreador emcee. El análisis utiliza una combinación de conjuntos de datos observacionales:
- Cronómetros Cósmicos (CC) para $H(z)$ .
- DESI BAO DR2 (Oscilaciones Acústicas de Bariones).
- Supernovas de Tipo Ia (SNeIa) de Pantheon+ (PP), DESY5 (DESY) y Union3.
- Datos comprimidos de la CMB de Planck (prioridades de distancia $R$ , $l_A$ y $\Omega_b h^2$ ).
- Se utilizan criterios de selección de modelos (AIC, BIC y evidencia Bayesiana) para comparar el modelo $f(Q)$ frente al $\Lambda$ CDM estándar.
Validación mediante Aprendizaje Automático (ML): Para complementar el análisis estadístico, los autores aplican algoritmos de aprendizaje supervisado —Regresión Lineal (LR), Regresión de Vectores de Soporte (SVR) con núcleos RBF y polinómicos, y Bosques Aleatorios (RF)— a los datos teóricos de $H(z)$ generados por los mejores parámetros de ajuste. Estos modelos son entrenados con el 80% de los datos y probados con el 20% restante para evaluar el rendimiento predictivo y la robustez.

Contribuciones Clave y Resultados

Alivio Parcial de la Tensión de $H_0$ : El análisis MCMC arroja un mejor ajuste de $H_0$ en el rango de $68.4 $–$ 68.8$ km s $^{-1}$ Mpc $^{-1}$ a través de diferentes combinaciones de conjuntos de datos. Este valor se sitúa entre las mediciones de la CMB y las de la escala de distancia local, representando un alivio parcial de la tensión. El modelo reduce la discrepancia con SH0ES a aproximadamente $3\sigma$ , manteniéndose consistente con otras sondas de tiempo tardío (TRGB, GWTC-3, etc.) dentro de $1\text{--}2\sigma$ .
Consistencia Estadística: El modelo $f(Q)$ no mínimamente acoplado proporciona un ajuste de calidad estadística comparable al de $\Lambda$ CDM. Aunque el Criterio de Información de Akaike (AIC) y el Criterio de Información de Bayes (BIC) muestran resultados mixtos dependiendo de la combinación de datos, la evidencia Bayesiana ( $\Delta \ln Z$ ) sugiere que los datos actuales no favorecen fuertemente la complejidad adicional del modelo $f(Q)$ sobre $\Lambda$ CDM (valores de $|\Delta \ln Z| < 1$ indican evidencia inconclusa).
Evolución Cosmográfica: La historia de la expansión reconstruida muestra una fase de aceleración persistente ( $q \approx -0.8$ en bajo redshift) que transiciona hacia una fase de de Sitter ( $q \to -1$ ) en el futuro asintótico. La ecuación de estado efectiva ( $w_{eff}$ ) permanece cerca de $-0.9$, imitando un universo dominado por la energía oscura.
Desempeño del Aprendizaje Automático: El análisis de ML revela una clara jerarquía en la precisión predictiva. El modelo SVR con un núcleo de Función de Base Radial (RBF) supera a todos los demás métodos, logrando un $R^2 \approx 0.9993$ y un Error Cuadrático Medio (MSE) y Error Absoluto Medio (MAE) mínimos. La Regresión Lineal también funciona bien ( $R^2 \approx 0.9976$ ), mientras que la SVR con un núcleo polinómico y los Bosques Aleatorios muestran una precisión menor. Esto confirma la robustez de la dinámica de la expansión $H(z)$ reconstruida derivada del modelo $f(Q)$ .

Significancia y Reivindicaciones
El artículo afirma que la gravedad $f(Q)$ mínimamente acoplada ofrece un "marco prometedor y flexible" para la cosmología de tiempo tardío. Su principal significancia radica en demostrar que las modificaciones geométricas que involucran la nometricidad pueden generar naturalmente la aceleración tardía y resolver parcialmente la tensión de $H_0$ sin violar las restricciones de la CMB, BAO o SNeIa.

Los autores concluyen modestamente que, si bien el modelo no resuelve totalmente la tensión de Hubble, logra cerrar la brecha entre las determinaciones del universo temprano y tardío. El estudio enfatiza que el acoplamiento no mínimo entre materia y geometría proporciona una realización consistente de las ecuaciones de campo de segundo orden, evitando las inestabilidades de derivadas superiores que se encuentran a menudo en otras teorías de gravedad modificada. La integración del aprendizaje automático sirve como una herramienta de validación complementaria, confirmando que la historia de la expansión teórica derivada del modelo es robusta y predecible. Los autores señalan que se requiere trabajo futuro para investigar el impacto del modelo en las perturbaciones de la densidad de la materia y el crecimiento de la estructura, los cuales están actualmente fuera del alcance de este análisis de nivel de fondo.

La Investigación: Una Nueva Receta de Gravedad

Los Resultados: Un Arreglo Parcial, No una Varita Mágica

El Control de la IA: Enseñando a las Máquinas a Ver el Patrón

El Veredicto

Más como este