⚛️ general relativity

Late-Time Alleviation of the Hubble Tension in CPL Cosmology with Massive Neutrinos via Bayesian Physics-Informed Neural Networks

Este estudio emplea Redes Neuronales Informadas por la Física Bayesianas para demostrar que la combinación de una ecuación de estado de la energía oscura evolutiva en el tiempo (CPL) con neutrinos masivos alivia eficazmente la tensión de Hubble, reconciliando las mediciones del universo temprano y tardío dentro de un rango de $\sim1$ - $2\sigma$ .

Autores originales: Muhammad Yarahmadi

Publicado 2026-07-21

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Muhammad Yarahmadi

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 intentado averiguar exactamente con qué rapidez se está inflando este globo en este momento. Esta velocidad se llama constante de Hubble. El problema es que tenemos dos formas muy diferentes de medirla y no coinciden. Una forma observa las "fotos de bebé" del universo (el Fondo Cósmico de Microondas) y dice que el globo se está inflando a un ritmo lento determinado. La otra observa estrellas "adultas" y supernovas cercanas y dice: "¡No, se está inflando mucho más rápido!". Este desacuerdo se conoce como la "Tensión de Hubble", y es como si dos expertos midieran la misma habitación con cintas métricas diferentes y obtuvieran longitudes distintas. Si ambas cintas métricas son correctas, significa que nuestra comprensión de las reglas del universo (la física) podría estar perdiendo una pieza del rompecabezas.

Para resolver esto, los científicos buscan ingredientes ocultos que puedan estar cambiando la forma en que el universo se expande. Dos grandes sospechosos son la "Energía Oscura" (una fuerza misteriosa que empuja al universo para separarlo) y los "Neutrinos" (partículas diminutas y fantasmales que tienen una masa mínima). Normalmente, asumimos que la Energía Oscura es una fuerza constante e inalterable, pero tal vez sea un camaleón que cambia su fuerza a lo largo del tiempo. Y tal vez esos neutrinos fantasmales sean más pesados de lo que pensamos, actuando como un freno sutil en la expansión del universo. La pregunta es: si permitimos que estos ingredientes se muevan y cambien, ¿podemos hacer que las dos cintas métricas diferentes coincidan?

En este artículo, un investigador llamado Muhammad Yarahmadi aborda este desacuerdo cósmico utilizando una herramienta muy moderna: un programa de computadora "inteligente" llamado Red Neuronal Informada por la Física Bayesiana (PINN, por sus siglas en inglés). Piensa en este programa no solo como una calculadora, sino como un estudiante que se ve obligado a aprender las leyes de la física (como las reglas de cómo se expande el universo) mientras estudia simultáneamente los datos reales de los telescopios. En lugar de simplemente adivinar números, el programa está "informado" por el libro de reglas del universo, asegurando que cada respuesta que dé tenga sentido físico.

El estudio pone a prueba tres versiones diferentes del libro de reglas del universo. La primera es el modelo estándar, donde la Energía Oscura es una constante aburrida e inalterable. La segunda permite que la Energía Oscura sea un "camaleón", cambiando su comportamiento con el tiempo (usando un modelo llamado CPL). La tercera añade un giro: permite que los neutrinos fantasmales tengan una masa específica y flotante. El investigador alimenta a este programa inteligente con datos de tres fuentes principales: las "fotos de bebé" del universo (Planck 2018), las supernovas "adultas" (Pantheon+) y los "ecos" de ondas sonoras del universo temprano (mediciones de BAO de DESI DR2).

Esto es lo que encontró el programa inteligente. Cuando se ciñeron al modelo de Energía Oscura aburrida e inalterable, el desacuerdo entre las mediciones del universo temprano y el tardío permaneció obstinado. Cuando permitieron que la Energía Oscura cambiara con el tiempo (el modelo CPL), los resultados cambiaron. El programa sugirió que la Energía Oscura podría ser ligeramente diferente hoy de lo que era en el pasado, lo que elevó la tasa de expansión calculada. Esto ayudó a que las mediciones del "universo tardío" coincidieran mejor con las mediciones de las estrellas cercanas, reduciendo la tensión en algunos casos específicos, pero no resolvió totalmente el problema por sí solo y, a menudo, empeoraba el desacuerdo con los datos del universo temprano.

La verdadera magia ocurrió cuando añadieron los neutrinos masivos a la mezcla. Al permitir que los neutrinos tuvieran una masa (específicamente, una suma de masas menor a aproximadamente 0.16 a 0.28 eV dependiendo de la combinación de datos), el modelo se estabilizó. El programa inteligente encontró una zona "Goldilocks" (ni muy fría ni muy caliente) donde la tasa de expansión se asentó en un rango de aproximadamente 69.7 a 71.6 km s⁻¹ Mpc⁻¹. En este escenario específico (CPL con neutrinos masivos), la tensión con las mediciones locales disminuyó significamente, cayendo en varios casos por debajo del nivel 1σ, mientras que la tensión con los datos del universo temprano se estableció en un rango de 1–2σ más manejable. Esto sugiere que un universo con una Energía Oscura que cambia ligeramente y algunos neutrinos pesados es un mejor ajuste que el estándar y aburrido.

El artículo también realizó una comprobación crucial para asegurarse de que su "estudiante inteligente" no se estuviera inventando las cosas. Compararon las respuestas de la PINN contra un método tradicional, muy lento y muy cuidadoso llamado MCMC (Monte Carlo de Cadenas de Markov). Los resultados coincidieron casi perfectamente, con la PINN encontrando las mismas respuestas pero haciéndolo miles de veces más rápido. Esto demuestra que el nuevo método es una forma fiable y rápida de resolver estos complejos acertijos cósmicos.

En última instancia, el artículo sugiere que la Tensión de Hubble no es solo un error de medición; podría ser una pista de que nuestro universo es más dinámico de lo que pensábamos. Insinúa que la Energía Oscura podría estar evolucionando y que los neutrinos podrían ser más pesados que el fantasma "sin masa" que imaginamos. Si bien esto no resuelve completamente el misterio (permanece un pequeño desacuerdo), apunta hacia un universo más complejo e interesante, y muestra que usar la IA para aprender física directamente de los datos es una nueva y poderosa forma de explorar el cosmos.

Resumen Técnico: Alivio de la Tensión de Hubble en Tiempos Tardíos mediante BPINNs Bayesianas

Planteamiento del Problema
El artículo aborda la persistente "tensión de Hubble", una discrepancia estadísticamente significativa entre la constante de Hubble ( $H_0$ ) inferida de sondas del universo temprano (principalmente de los datos del CMB de Planck 2018 bajo el modelo $\Lambda$ CDM, que arroja $H_0 \approx 67\text{--}68$ km s $^{-1}$ Mpc $^{-1}$ ) y las mediciones directas en tiempos tardíos (por ejemplo, SH0ES/R22 utilizando la escala de distancia cósmica, que arroja $H_0 \approx 73\text{--}74$ km s $^{-1}$ Mpc $^{-1}$ ). Si bien el modelo estándar $\Lambda$ CDM se ajusta a una amplia gama de observaciones, su suposición de un estado de ecuación de la energía oscura estrictamente constante ( $w=-1$ ) es teóricamente ad hoc. Los autores investigan si extender el modelo para incluir energía oscura dinámica (mediante la parametrización de Chevallier–Polarski–Linder o CPL) y neutrinos masivos ( $\Sigma m_\nu$ ) puede aliviar esta tensión. Además, el artículo busca demostrar la eficacia de las Redes Neuronales Informadas por la Física Bayesianas (BPINN) como una alternativa computacionalmente eficiente a los métodos tradicionales de Monte Carlo por Cadenas de Markov (MCMC) para este tipo de inferencia cosmológica compleja y de alta dimensionalidad.

Metodología
El estudio emplea un marco de Red Neuronal Informada por la Física Bayesiana (BPINN) para realizar una inferencia conjunta de parámetros.

Arquitectura: La historia de la expansión de Hubble $H(z)$ está representada por una red neuronal de alimentación hacia adelante (feed-forward) totalmente conectada con funciones de activación Softplus. Para permitir la inferencia bayesiana y la cuantificación de la incertidumbre, se retienen las capas de dropout durante el entrenamiento para aproximar la marginalización bayesiana.
Restricciones Físicas: La ecuación de Friedmann para un universo espacialmente plano se integra directamente en la función de pérdida como una restricción física suave (soft constraint). Esto asegura que la historia de expansión reconstruida sea consistente con la cosmología de fondo definida por la parametrización CPL y los neutrinos masivos.
Espacio de Parámetros: El modelo infiere simultáneamente los parámetros cosmológicos $\Theta = \{H_0, \Omega_m, w_0, w_a, \Sigma m_\nu\}$ junto con los pesos de la red neuronal. Los priors se establecieron con motivación física pero amplios (por ejemplo, $H_0 \in [60, 80]$ , $w_0 \in [-2.5, -0.2]$ ).
Datos: El análisis combina sondas observacionales de tiempos tardíos:
- DESI DR2 BAO: 13 puntos de datos que proporcionan restricciones geométricas sobre las tasas de expansión transversales y radiales.
- Pantheon+: 1701 supernovas de Tipo Ia para restricciones del módulo de distancia.
- Cronómetros Cósmicos (CC): 32 mediciones directas de $H(z)$ .
- Planck 2018: Se utilizan priors de distancia comprimidos del CMB (parámetro de desplazamiento $R$ , escala acústica $l_A$ y $\omega_b$ ) para anclar la geometría del universo temprano sin requerir solucionadores de Boltzmann completos para el análisis de tiempos tardíos.
Entrenamiento: La función de pérdida total minimiza el log-posterior negativo, que comprende la verosimilitud de los datos ( $\chi^2_{data}$ ), el término informado por la física ( $L_{phys}$ ) y los términos de los priors ( $L_{prior}$ ).

Contribuciones Clave

Validación Metodológica: El artículo valida el marco BPINN frente a los análisis estándar de MCMC (realizados usando Cobaya) bajo configuraciones de datos idénticas. Demuestra que las BPINN reproducen los posteriores de MCMC dentro de $1\text{--}2\sigma$ mientras reducen los tiempos de inferencia en órdenes de magnitud.
Comparación de Modelos: Se realiza una comparación sistemática entre tres modelos:
- $\omega$ CDM (constante $w$ ).
- CPL (dinámica de $w(z) = w_0 + w_a \frac{z}{1+z}$ ).
- CPL + $\Sigma m_\nu$ (dinámica de $w$ más la masa de neutrino sumada libre).
Cuantificación de la Tensión: El estudio cuantifica rigurosamente la tensión de Hubble ( $T_{Planck}$ y $T_{SH0ES}$ ) para diversas combinaciones de conjuntos de datos, aprovechando específicamente los nuevos datos de DESI DR2 BAO.

Resultados

Línea Base $\omega$ CDM: En el modelo estándar, las combinaciones de conjuntos de datos que involucran BAO favorecen sistemáticamente valores más bajos de $H_0$ , reduciendo la tensión con Planck pero aumentando la tensión con SH0ES. La combinación completa arroja $H_0 \approx 69.03 \pm 1.35$ km s $^{-1}$ Mpc $^{-1}$ , dejando tensiones residuales de $\sim 1.2\sigma$ (Planck) y $\sim 2.1\sigma$ (SH0ES).
Dinámica CPL: Permitir una energía oscura dinámica desplaza el posterior de $H_0$ hacia valores más altos ( $H_0 \gtrsim 70$ ). Los datos favorecen un estado de ecuación actual $w_0 \gtrsim -1$ (tipo quintescencia) con una $w_a$ negativa. Esto reduce significativamente la tensión con SH0ES (en algunos casos a $<1\sigma$ ), pero aumenta correspondientemente la tensión con Planck.
CPL + $\Sigma m_\nu$ : La inclusión de neutrinos masivos estabiliza el rango de $H_0$ inferido ( $69.7\text{--}71.6$ km s $^{-1}$ Mpc $^{-1}$ ). Este escenario ofrece una reconciliación más equilibrada, con tensiones típicamente confinadas al rango de $1\text{--}2\sigma$ tanto para Planck como para SH0ES. Los límites de masa de neutrino son consistentes con los límites actuales ( $\Sigma m_\nu \lesssim 0.16\text{--}0.28$ eV).
Selección de Modelos: Utilizando estadísticas de $\chi^2$ , AIC y BIC, los modelos extendidos (CPL y CPL+ $\Sigma m_\nu$ ) son estadísticamente preferidos sobre $\omega$ CDM, incluso después de penalizar por los parámetros libres adicionales. La mejora en el ajuste se confirma como no siendo un artefacto de sobreajuste (overfitting).
BPINN vs. MCMC: Los resultados de BPINN para $H_0$ , $w_0$ , $w_a$ y $\Sigma m_\nu$ concuerdan con los resultados de MCMC dentro de $1\text{--}2\sigma$ . El enfoque BPINN ofrece una precisión comparable con un costo computacional significativamente reducido, particularmente para la fase de exploración del posterior.

Significancia y Reivindicaciones
El artículo sostiene que la interacción entre la energía oscura dinámica y los neutrinos masivos ofrece una extensión fenomenológica viable al $\Lambda$ CDM que puede aliviar sustancialmente la tensión de Hubble sin introducir inestabilidades patológicas. Específicamente, el modelo CPL+ $\Sigma m_\nu$ proporciona una "reconciliación equilibrada" donde la tensión con las mediciones locales se reduce a menos de $2\sigma$ mientras mantiene la consistencia con las restricciones del CMB.

Metodológicamente, el trabajo establece las BPINN como una herramienta precisa, eficiente y versátil para la cosmología de precisión. Al integrar las leyes físicas directamente en el proceso de aprendizaje, el marco gestiona eficazmente las degeneraciones de parámetros (comunes en los análisis de energía oscura dinámica y masa de neutrinos). Los autores concluyen que, si bien las modificaciones en tiempos tardíos por sí solas pueden no resolver completamente la tensión de Hubble (ya que a menudo persiste una discrepancia residual de $\sim 2\sigma$ con Planck), la combinación de energía oscura evolutiva y masa de neutrinos representa una dirección estadísticamente favorecida para investigaciones futuras. El estudio enfatiza que el marco BPINN es una alternativa robusta a MCMC, capaz de entregar restricciones de alta precisión con tiempos de inferencia órdenes de magnitud más rápidos.

Más como este