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

Durante décadas, los astrónomos han observado que el universo se expande a un ritmo cada vez mayor. Este descubrimiento, realizado a finales de la década de 1990, trastocó la creencia largamente sostenida de que la gravedad debería estar frenando el cosmos. Para explicar esta aceleración, los científicos propusieron la existencia de una fuerza misteriosa llamada energía oscura, a menudo modelada como una energía constante que llena el espacio vacío. Sin embargo, esta explicación estándar, conocida como el modelo Lambda Materia Oscura Fría, enfrenta profundos enigmas teóricos. Deja a los físicos preguntándose por qué el universo se está acelerando ahora, y no ofrece ninguna razón fundamental para la fuerza específica de este misterioso empuje. Debido a estas lagunas, los investigadores han comenzado a explorar si la gravedad misma podría comportarse de manera diferente en las escalas más grandes, quizás cambiando sus reglas a medida que el universo se estira. Una de esas ideas es la teoría de la gravedad teleparalela, que describe la fuerza de la gravedad no como la curvatura del espacio, sino como un giro, o torsión, del tejido del cosmos.

Un equipo de investigadores de la India ha adoptado un enfoque fresco para probar estas ideas. En lugar de adivinar cómo serían las reglas de esta gravedad de torsión, construyeron un sistema informático diseñado para aprender las reglas directamente de los datos. Combinaron dos colecciones masivas de observaciones astronómicas: una que mide qué tan rápido se expande el universo en diferentes momentos de su historia, y otra que rastrea el brillo de estrellas que explotan para mapear distancias cósmicas. Al alimentar estos datos en un tipo especializado de inteligencia artificial conocida como red neuronal informada por la física, los investigadores permitieron que la computadora reconstruyera la historia de la expansión del universo mientras obedecía estrictamente las leyes de la física. El sistema no asumió una forma específica para la fuerza gravitatoria; simplemente dejó que las observaciones guiaran la forma de la teoría.

El resultado fue una imagen suave y continua de cómo se ha expandido el universo a lo largo de miles de millones de años. A partir de esta historia reconstruida, el equipo derivó la forma matemática específica de la gravedad de torsión que sería requerida para producir tal expansión. Luego, simplificaron esta forma compleja y basada en datos en una fórmula manejable utilizando un polinomio cúbico, un tipo de ecuación que puede curvarse y retorcerse para ajustarse a patrones complejos. Para asegurar que sus hallazgos fueran robustos, utilizaron métodos estadísticos avanzados para calcular los valores más probables para los números en esta ecuación y para mapear el rango de incertidumbre. El análisis mostró que el modelo reconstruido se ajusta bien a los datos observacionales, siguiendo de cerca la historia de la expansión en todo el rango de desplazamientos al rojo medidos.

Cuando los investigadores compararon su nuevo modelo basado en datos con la teoría estándar de la gravedad, los resultados fueron matizados. El modelo estándar, que asume una constante cosmológica constante, todavía proporcionaba un ajuste estadístico ligeramente mejor a los datos, requiriendo menos suposiciones para explicar las observaciones. Sin embargo, el nuevo modelo no falló; seguía siendo una descripción viable del universo que se desviaba de la teoría estándar de una manera suave y sistemática. El estudio demostró que cambios leves en las leyes de la gravedad aún están permitidos por las observaciones actuales. El logro más significativo de este trabajo no fue necesariamente probar que el modelo estándar es erróneo, sino demostrar un nuevo método poderoso. Al combinar el aprendizaje profundo con el análisis estadístico, los investigadores crearon un flujo de trabajo flexible que puede reconstruir teorías gravitacionales directamente desde el cielo, ofreciendo una forma de probar teorías de gravedad modificada contra datos futuros más precisos sin quedar atrapados por ideas preconcebidas.