⚛️ general relativity

Joint reconstruction of $H(z)$ and $f\sigma_8(z)$ with physics informed neural networks

Questo articolo dimostra una prova di concetto per la ricostruzione congiunta del parametro di Hubble $H(z)$ e del tasso di crescita $f\sigma_8(z)$ utilizzando reti neurali informate dalla fisica accoppiate tramite l'equazione di crescita lineare, rivelando una tensione sistematica con le previsioni $\Lambda$ CDM pur confermando la robustezza del metodo rispetto a diversi prior locali di $H_0$ .

Autori originali: Konstantinos F. Dialektopoulos

Pubblicato 2026-06-17

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Konstantinos F. Dialektopoulos

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate l'universo come un enorme palloncino in espansione. Per decenni, gli scienziati hanno cercato di misurare due cose specifiche riguardo a questo palloncino:

Quanto velocemente si sta espandendo in questo momento e in diversi momenti del passato (chiamato $H(z)$ ).
Quanto velocemente i "grumi" di materia (come le galassie) si stanno aggregando tra loro a causa della gravità (chiamato $f\sigma_8(z)$ ).

Per molto tempo, gli scienziati hanno misurato queste due cose separatamente, come se fossero due squadre diverse che lavorano in stanze diverse. Misuravano l'espansione, misuravano l'aggregazione e poi si incontravano in seguito per vedere se i loro risultati avevano senso insieme.

Questo articolo introduce un nuovo modo di procedere utilizzando un tipo di intelligenza artificiale chiamata Rete Neurale Informata dalla Fisica (Physics-Informed Neural Network - PINN). Pensate a questa IA non solo come a una macchina che riconosce schemi, ma come a uno studente che viene istruito seguendo un rigido libro di regole (le leggi della fisica) mentre studia.

Ecco una semplice suddivisione di ciò che gli autori hanno fatto e scoperto:

1. Il Problema: Due Squadre, Un Unico Universo

In passato, la "Squadra dell'Espansione" e la "Squadra dell'Aggregazione" lavoravano indipendentemente.

La Squadra dell'Espansione osservava quanto velocemente le galassie si allontanano.
La Squadra dell'Aggregazione osservava come la gravità attira la materia insieme.
Il Problema: Secondo la teoria della gravità di Einstein (Relatività Generale), queste due cose sono matematicamente collegate. Se sai quanto velocemente si espande l'universo, dovresti essere in grado di prevedere quanto velocemente la materia si aggrega. Se misuri queste due cose separatamente, potresti perdere un indizio sottile che indica che qualcosa non va nel nostro attuale modello dell'universo.

2. La Soluzione: L'IA "Legata"

Gli autori hanno costruito una speciale IA con due teste (una per l'espansione, una per l'aggregazione) ma un unico cervello (un nucleo condiviso).

Il Legame: Hanno legato le due teste con una "corda fisica". Questa corda è l'equazione matematica che collega l'espansione e l'aggregazione.
Come funziona: Mentre l'IA cerca di apprendere dai dati reali, viene "punita" (tramite una "funzione di perdita" o loss function) se le due teste forniscono risposte che violano la corda fisica. È come addestrare un cane a riportare una pallina; se il cane lascia cadere la pallina prima di raggiungere il proprietario, riceve una correzione gentile. L'IA impara a adattarsi ai dati mentre obbedisce simultaneamente alle leggi della fisica.

3. I Dati: Un Mix di Misurazioni

L'IA è stata nutrita con due tipi di dati:

50 misurazioni di quanto velocemente l'universo si sta espandendo (da "Cronometri Cosmici" e onde sonore dall'universo primordiale).
63 misurazioni di quanto velocemente la materia si aggrega (dal modo in cui le galassie si muovono nello spazio).

4. La Grande Scoperta: La "Tensione di Hubble" e la "Tensione di Sigma-8"

Ci sono due famosi misteri nella cosmologia attuale:

La Tensione di Hubble: Le misurazioni locali dicono che l'universo si sta espandendo più velocemente (circa 73 km/s) di quanto previsto dai modelli dell'universo primordiale (circa 67 km/s).
La Tensione di Sigma-8: Le misurazioni dell'aggregazione delle galassie suggeriscono che la materia si stia aggregando meno di quanto previsto dal modello standard.

Cosa ha scoperto l'IA:

Ancoraggio della Velocità: Gli autori hanno costretto l'IA ad accettare la velocità "locale" di espansione (circa 73 km/s) come punto di partenza.
Il Risultato: Anche con questa velocità di espansione più elevata, la previsione dell'IA su quanto la materia si aggrega è rimasta costantemente inferiore a quanto previsto dal modello standard ( $\Lambda$ CDM).
L'Analogia: Immaginate di guidare un'auto. Il tachimetro dice che state andando a 70 mph (la misurazione locale). La mappa standard dice che dovreste vedere determinati paesaggi (il modello standard). Ma quando guardate fuori dal finestrino, il paesaggio è in realtà diverso (meno aggregazione). L'IA ha confermato che anche se vi fidate del tachimetro, il paesaggio non corrisponde ancora alla mappa.

5. Perché Questo è Importante

Funziona: Gli autori hanno dimostrato che legare le due misurazioni attraverso le equazioni della fisica durante il processo di apprendimento è possibile e utile. Ciò crea un quadro più fluido e coerente dell'universo.
Robustezza: Hanno provato due diversi "valori di velocità locale" (73.04 e 73.50). L'IA ha fornito quasi lo stesso identico risultato per quanto riguarda l'aggregazione della materia in entrambi i casi. Ciò suggerisce che il risultato non è solo un caso fortuito dovuto a un numero specifico.
Il "Test Nullo": Hanno eseguito un test diagnostico (chiamato $Om(z)$) per vedere se l'universo si comporta come un modello piatto e standard. Il test ha mostrato una chiara "deviazione" dal modello standard, specialmente a bassi redshift (più vicini a noi), rafforzando l'idea che il nostro modello attuale potrebbe mancare di qualcosa.

Cosa NON hanno fatto

Non hanno sostenuto di aver risolto il mistero del perché l'universo si comporti in questo modo (ad esempio, non hanno dimostrato l'esistenza di un nuovo tipo di energia oscura).
Non hanno utilizzato dati sulle supernove (un tipo diverso di misurazione) in questo studio specifico, sebbene abbiano menzionato che potrebbero essere aggiunti in seguito.
Non hanno sostenuto che i risultati siano perfetti; hanno notato che alcune assunzioni (come la quantità di materia nell'universo) erano fisse e potrebbero introdurre dei bias.

In Sintesi

Questo articolo è una "prova di concetto". Dimostra che usare l'IA per apprendere simultaneamente l'espansione e la crescita dell'universo, costringendola al contempo a obbedire alle leggi della gravità, è uno strumento potente. Conferma che la tensione tra la velocità con cui l'universo si espande e il modo in cui la materia si aggrega è reale e persistente, anche quando utilizziamo gli strumenti di IA più avanzati e consapevoli della fisica.

Sintesi Tecnica: Ricostruzione congiunta di $H(z)$ e $f\sigma_8(z)$ con Reti Neurali Informate dalla Fisica

Definizione del Problema
Le attuali osservazioni cosmologiche presentano due tensioni persistenti: la tensione $H_0$ (discrepanza tra le misurazioni della scala di distanza locale $\approx 73$ km s $^{-1}$ Mpc $^{-1}$ e i valori derivati dal CMB $\approx 67$ km s $^{-1}$ Mpc $^{-1}$ ) e la tensione $\sigma_8$ (o $S_8$ ) (i rilievi di lensing gravitazionale debole indicano una crescita delle fluttuazioni della materia inferiore a quanto previsto da $\Lambda$ CDM). Lavori precedenti hanno ricostruito il parametro di Hubble $H(z)$ e il tasso di crescita $f\sigma_8(z)$ indipendentemente utilizzando processi gaussiani o reti neurali artificiali (ANN) standard, ma questi metodi trattano i due osservabili come statisticamente indipendenti. Tale approccio scarta il noto accoppiamento fisico tra espansione e crescita dettato dalla Relatività Generale (GR). Nello specifico, l'equazione di crescita lineare lega $H(z)$ e $f\sigma_8(z)$ : ignorare questo legame durante la ricostruzione impedisce ai dati di vincolare la storia della crescita attraverso la storia dell'espansione e viceversa.

Metodologia
Gli autori propongono un framework di prova di concetto utilizzando Reti Neurali Informate dalla Fisica (PINN) per ricostruire congiuntamente $H(z)$ e $f\sigma_8(z)$ senza assumere un modello specifico per l'equazione di stato dell'energia oscura.

Architettura: Il modello impiega una rete a doppia testa con un backbone condiviso. L'input è il redshift $z$ (riscalato in $[-1, 1]$ ), elaborato attraverso tre strati nascosti di ampiezza 512 con funzioni di attivazione ELU (scelte per la loro differenziabilità infinita). La rete si dirama in due teste di output indipendenti: una per $H(z)$ e una per $f\sigma_8(z)$ . Le attivazioni di output impongono vincoli fisici (positività per $H(z)$ tramite softplus; un intervallo $(0.1, 0.9)$ per $f\sigma_8(z)$ tramite sigmoid).
Perdita Fisica (Physics Loss): L'innovazione centrale è l'inclusione di un termine di perdita fisica, $\mathcal{L}_{physics}$ , derivato dall'equazione differenziale ordinaria (ODE) di crescita lineare della GR:
$\frac{df}{d \ln a} + f^2 + \left[ 2 + \frac{1}{2} \frac{d \ln H^2}{d \ln a} \right] f = \frac{3}{2} \Omega_m(a)$
dove $f = f\sigma_8 / \sigma_{8,0}$ e $\Omega_m(a) = \Omega_{m,0}(1+z)^3 H_0^2 / H^2(z)$ . Le derivate richieste per questa equazione sono calcolate esattamente tramite differenziazione automatica attraverso il grafo computazionale della rete, evitando errori di discretizzazione numerica.
Perdita Totale: L'obiettivo di addestramento minimizza una somma pesata: $\mathcal{L}_{total} = \mathcal{L}_{data,H} + \mathcal{L}_{data,f\sigma_8} + \lambda \mathcal{L}_{physics}$ . Lo scalare $\lambda$ controlla il compromesso tra l'adattamento ai dati e la soddisfazione dell'equazione fisica.
Dati e Addestramento: La rete è addestrata su 50 misurazioni di $H(z)$ (32 Cosmic Chronometers, 18 BAO) e 63 misurazioni di $f\sigma_8(z)$ (Redshift Space Distortions). Un ensemble di 100 reti con semi indipendenti viene addestrato per quantificare l'incertezza. Lo studio testa quattro valori di $\lambda \in \{0, 0.01, 0.1, 1.0\}$ e ancora la normalizzazione di $H_0$ utilizzando due prior locali: SH0ES ( $73.04 \pm 1.04$ ) e Local Distance Network ( $73.50 \pm 0.81$ ).

Contributi Chiave

Prima Ricostruzione congiunta tramite PINN: Questo lavoro rappresenta, a conoscenza degli autori, il primo utilizzo di un'architettura multi-testa informata dalla fisica per modellare congiuntamente la storia dell'espansione e la crescita lineare della struttura sotto un vincolo fisico condiviso (l'ODE di crescita della GR) durante l'addestramento, piuttosto che come controllo di coerenza post-hoc.
Differenziazione Automatica per la Cosmologia: Il metodo dimostra l'utilità della differenziazione automatica nella ricostruzione cosmologica per calcolare le derivate esatte degli output della rete per il residuo dell'ODE, eliminando la necessità di mesh spaziali o approssimazioni di differenza finita.
Efficacia dell'Accoppiamento: Lo studio stabilisce che l'accoppiamento dei due osservabili tramite l'equazione di crescita è fattibile e benefico, riducendo la dispersione dell'ensemble e garantendo la coerenza dinamica.

Risultati

Accoppiamento Ottimale: Un peso di accoppiamento $\lambda = 0.1$ è identificato come il miglior equilibrio tra adattamento ai dati e coerenza fisica. A questo valore, la perdita fisica e le perdite dei dati convergono a magnitudo comparabili, impedendo a un singolo termine di dominare il gradiente.
Ancoraggio di $H_0$ : Senza un esplicito prior di $H_0$ , la rete recupera un $H_0$ distorto verso il basso ( $46\text{--}52$ km s $^{-1}$ Mpc $^{-1}$ ). Quando ancorata a uno dei due prior (SH0ES o Local Distance Network), la rete recupera esattamente il valore del prior per $H_0$ . I due diversi prior producono ricostruzioni di $f\sigma_8(z)$ indistinguibili, dimostrando robustezza rispetto al valore specifico della tensione $H_0$ adottato.
Tensione della Crescita: Il $f\sigma_8(z)$ ricostruito si colloca sistematicamente al di sotto della previsione $\Lambda$ CDM+GR a tutti i redshift, con la deviazione maggiore intorno a $z \sim 0.4\text{--}1.0$ . Ciò è coerente con la tensione $\sigma_8$ . L'accoppiamento non rimuove questo segnale; piuttosto, impedisce alla testa della crescita di assorbire la tensione come rumore.
Test Nulli:
- $Om(z)$: Il test nullo mostra una marcata deviazione dall'aspettativa di $\Lambda$ CDM piatto (un profilo non piatto) a bassi redshift, incluso un minimo negativo per $z \lesssim 0.2$ (attribuito alla scarsità di dati dei Cosmic Chronometers e ad artefatti di ricostruzione) e un eccesso a redshift intermedi.
- $Om_{f\sigma_8}(z)$ : Questo diagnostico conferma una crescita soppressa rispetto a $\Lambda$ CDM, in linea con le ricostruzioni ANN indipendenti trovate nella letteratura precedente (Rif. [9]).
Sistematica: Gli autori notano che i valori fiduciali $\Omega_{m,0}=0.3$ e $\sigma_{8,0}=0.8$ sono codificati rigidamente. L'incertezza sistematica derivante da queste scelte domina la dispersione statistica dell'ensemble. Inoltre, 18 punti dati BAO ereditano l'orizzonte sonoro di Planck 2018, introducendo una dipendenza dal modello nel settore dell'espansione.

Significato e Rivendicazioni
Il paper sostiene di aver stabilito una prova di concetto secondo cui l'accoppiamento di $H(z)$ e $f\sigma_8(z)$ attraverso l'equazione di crescita della GR durante l'addestramento è sia fattibile che benefico. Il significato primario risiede nella dimostrazione che:

La ricostruzione è robusta rispetto alla scelta tra due determinazioni locali concorrenti di $H_0$ .
L'accoppiamento fisico agisce come un regolarizzatore motivato dalla fisica, producendo ricostruzioni più fluide e riducendo l'incertezza dell'ensemble senza imporre un modello specifico di energia oscura.
Il metodo recupera con successo il segnale della tensione $\sigma_8$ (crescita soppressa) anche quando vincolato da valori locali di $H_0$ , suggerendo che la tensione sia una caratteristica robusta dei dati piuttosto che un artefatto del metodo di ricostruzione.

Gli autori dichiarano esplicitamente modestia riguardo alle loro rivendicazioni: non sostengono una rilevazione statisticamente significativa di nuova fisica, poiché la dispersione dell'ensemble è guidata dalla sensibilità all'inizializzazione piuttosto che dal ricampionamento del rumore dei dati, e le incertezze complete della distribuzione posteriore non sono propagate. Identificano i parametri fiduciali fissi ( $\Omega_{m,0}, \sigma_{8,0}$ ) e la mancanza di correzioni di Alcock-Paczynski per i singoli survey come limitazioni da affrontare nei lavori futuri.