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

El universo se está expandiendo, un hecho establecido hace casi un siglo cuando los astrónomos notaron que las galaxias distantes se alejan de nosotros. Durante décadas, los científicos creyeron que esta expansión eventualmente se frenaría, frenada por la gravedad de toda la materia en el cosmos. Sin embargo, observaciones de finales de la década de 1990 revelaron una verdad sorprendente: el universo no se está frenando; se está acelerando. Para explicar esta aceleración, los físicos propusieron la existencia de la "energía oscura", una fuerza misteriosa que separa el espacio. Si bien la teoría estándar de la gravedad, desarrollada por Albert Einstein, funciona excepcionalmente bien para la mayor parte del universo, lucha por explicar esta aceleración cósmica sin invocar la energía oscura. Esto ha llevado a los investigadores a explorar la "gravedad modificada", teorías que ajustan las leyes fundamentales de cómo funciona la gravedad en las escalas más grandes, eliminando potencialmente la necesidad de la energía oscura por completo. Dos de estas teorías, conocidas como gravedad cúbica y gravedad f(P), sugieren que las ecuaciones que gobiernan el espacio y el tiempo son más complejas de lo que se pensaba, involucrando términos matemáticos de orden superior que se vuelven significativos solo en el vasto vacío del cosmos.

Un equipo de investigadores de la Universidad GLA en la India ha puesto recientemente estas dos teorías de gravedad modificada a prueba rigurosa utilizando herramientas computacionales modernas. Su objetivo era ver si estos complejos modelos matemáticos podían predecir con precisión la tasa a la que el universo se expande en diferentes puntos de su historia. Para hacer esto, recurrieron a un conjunto de datos que contenía treinta mediciones específicas del parámetro de Hubble, un valor que nos indica qué tan rápido se expande el universo a una distancia determinada. En lugar de confiar únicamente en métodos estadísticos tradicionales, el equipo empleó una serie de técnicas de aprendizaje automático, algoritmos computacionales diseñados para encontrar patrones en los datos. Entrenaron estos algoritmos con una parte de los datos y luego les pidieron que predijeran las tasas de expansión para los puntos restantes. Los investigadores compararon las predicciones hechas por los modelos de aprendizaje automático contra los datos observacionales reales y las predicciones hechas por los propios modelos de gravedad teórica.

El estudio se centró en cuatro enfoques específicos de aprendizaje automático: la regresión lineal estándar, que busca relaciones de línea recta; redes neuronales artificiales, que imitan la forma en que el cerebro humano procesa la información; regresión lineal con RANSAC, un método diseñado para ignorar valores atípicos o puntos de datos "malos"; y regresión polinómica, que busca relaciones curvas y no lineales. Los investigadores descubrieron que la relación entre la distancia de las galaxias y su velocidad de expansión no es una línea recta simple, sino una curva. Esto hizo que la técnica de regresión polinómica fuera particularmente efectiva. Cuando el equipo midió qué tan cerca estaban las predicciones del aprendizaje automático de las observaciones del mundo real, utilizó una métrica llamada "desviación alfa", donde un número más bajo indica un mejor ajuste. Los resultados mostraron que la técnica de regresión polinómica funcionó excepcionalmente bien, produciendo valores que eran casi idénticos a las predicciones teóricas de los modelos de gravedad cúbica y f(P). De hecho, la regresión polinómica superó a los otros métodos de aprendizaje automático, incluyendo las redes neuronales y la regresión lineal con RANSAC, al capturar el comportamiento sutil y no lineal de la expansión del universo.

Uno de los hallazgos más significativos fue que los modelos de aprendizaje automático no solo adivinaron; confirmaron la validez de los marcos teóricos. El modelo de regresión polinómica produjo una desviación alfa de 0.1362 tanto para la gravedad cúbica como para la gravedad f(P), una cifra que es notablemente cercana al valor teórico de 0.1360 para la gravedad cúbica y 0.1362 para la f(P). Esto sugiere que las complejas ecuaciones propuestas por estas teorías de gravedad modificada son consistentes con los datos reales que observamos en el cielo. Mientras que el método de regresión lineal estándar tuvo dificultades porque intentaba forzar una línea recta sobre una realidad curva, la regresión polinómica navegó con éxito la curvatura de los datos. El estudio también señaló que la regresión lineal con RANSAC, que está diseñada para manejar datos desordenados, funcionó mejor que la regresión lineal estándar, pero aun así no alcanzó la precisión del enfoque polinómico.

Los investigadores concluyen que estas técnicas avanzadas de aprendizaje automático son herramientas poderosas para probar los límites de nuestra comprensión de la gravedad. Al utilizar la regresión polinómica, pudieron demostrar que los modelos de gravedad cúbica y f(P) son robustos y capaces de describir la aceleración del universo sin requerir necesariamente la introducción de la energía oscura. El estudio no pretende haber resuelto el misterio de la energía oscura ni haber probado que estas teorías modificadas sean la respuesta final, pero sí proporciona evidencia sólida de que estos modelos matemáticos específicos se alinean bien con los datos observacionales. Los autores sugieren que el trabajo futuro debería involucrar conjuntos de datos más grandes y la exploración de otros modelos cosmológicos con técnicas de aprendizaje automático aún más avanzadas. Por ahora, esta investigación ofrece una demostración clara de que, cuando el universo se comporta de una manera curva y compleja, el tipo correcto de ajuste de curvas matemáticas puede revelar las leyes subyacentes de la naturaleza con una claridad sorprendente.