Enhancing dark siren cosmology via Gaussian process reconstruction of incomplete galaxy catalogs

L'universo si sta espandendo e la velocità di questa espansione è un numero che gli scienziati chiamano costante di Hubble. Conoscere questo numero con precisione è fondamentale perché ci dice quanto è vecchio l'universo e come si è evoluto nel tempo. Tuttavia, misurarlo è diventato una fonte di grande tensione nella fisica moderna. Quando gli scienziati guardano indietro all'universo primordiale utilizzando la radiazione cosmica di fondo, ottengono un valore. Quando guardano stelle e supernovae vicine, ottengono un valore diverso, più veloce. Questo disaccordo è così grande da non poter essere spiegato con semplici errori di misurazione; suggerisce che la nostra comprensione dell'universo potrebbe essere incompleta. Per risolvere questo enigma, gli astronomi si stanno rivolgendo a un nuovo strumento: le onde gravitazionali. Queste sono increspature nello spaziotempo causate da eventi cosmici violenti, come la collisione di due buchi neri. A differenza della luce, queste onde trasportano una misurazione diretta di quanto sia lontano l'evento accaduto, agendo come una "sirena standard" che non ha bisogno di essere calibrata rispetto ad altri oggetti. Il pezzo mancante del puzzle, tuttavia, è il partner della distanza: il redshift, ovvero quanto velocemente la sorgente si sta allontanando da noi. Poiché le onde stesse non rivelano questa velocità, gli scienziati devono trovare la galassia ospite della collisione e misurarne il redshift. Ma trovare la giusta galassia è difficile perché i segnali di queste collisioni sono spesso sfocati, puntando a una vasta area del cielo piena di migliaia di potenziali ospiti, molti dei quali sono troppo deboli per essere visti.

In uno studio recente, i ricercatori hanno sviluppato un modo intelligente per colmare le lacune di queste mappe galattiche incomplete per ottenere una migliore gestione del tasso di espansione dell'universo. Il problema che hanno affrontato è che gli attuali metodi per gestire le galassie mancanti sono troppo semplici. Quando un telescopio non riesce a vedere ogni galassia in una specifica direzione, l'approccio standard assume che quelle mancanti siano distribuite uniformemente, come sabbia sparsa in modo omogeneo su una spiaggia. Questa ipotesi ignora il fatto che le galassie sono in realtà raggruppate in gruppi e filamenti, con vuoti tra di esse. Questi ammassi e vuoti contengono informazioni vitali che aiutano a individuare la reale posizione di una sorgente di onde gravitazionali. Trattando i dati mancanti come se fossero perfettamente uniformi, gli scienziati stavano di fatto sfuocando proprio le caratteristiche che rendono precisa la misurazione. Il team, guidato da Matteo Tagliazucchi e colleghi, ha proposto una strategia diversa. Invece di indovinare dove si trovino le galassie mancanti, hanno utilizzato uno strumento statistico chiamato processo gaussiano. Pensate a questo strumento come a un interpolatore intelligente che apprende il modello delle galassie che riesce a vedere e usa quel modello per indovinare la forma della distribuzione dove i dati sono mancanti, preservando i naturali ammassi e vuoti invece di livellarli.

I ricercatori hanno testato la loro idea utilizzando una vasta collezione di dati simulati. Hanno creato un universo virtuale contenente milioni di galassie e poi hanno simulato le onde gravitazionali che verrebbero rilevate da futuri osservatori. Hanno deliberatamente reso i loro cataloghi galattici incompleti, imitando i limiti dei veri telescopi che perdono oggetti deboli. In queste simulazioni, hanno confrontato il metodo "uniforme" standard con il loro nuovo metodo basato sul processo gaussiano. I risultati sono stati sorprendenti. Quando il catalogo galattico mancava di circa tre quarti delle sue galassie, il nuovo metodo produceva vincoli sulla velocità di espansione del 37 percento più precisi rispetto al metodo standard. Negli scenari più impegnativi, dove i dati erano molto scarsi, il miglioramento raggiungeva il 66 percento. Il nuovo metodo funzionava riconoscendo che le galassie che il telescopio vedeva facevano parte di un modello strutturato più ampio. Ha ricostruito le parti nascoste della mappa seguendo la densità di quelle visibili, ripristinando efficacemente la "granulosità" che il metodo standard aveva cancellato. Ciò ha permesso ai ricercatori di restringere molto più efficacemente le possibili posizioni delle sorgenti di onde gravitazionali.

Lo studio ha anche esplorato come diversi livelli di errore nella misurazione delle distanze delle galassie influenzassero il risultato. Hanno scoperto che anche quando le misurazioni delle galassie stesse erano piuttosto incerte, il nuovo metodo superava comunque quello vecchio. Questo perché il processo gaussiano è flessibile; apprende direttamente dai dati la scala di correlazione della distribuzione galattica, invece di fare affidamento su rigide assunzioni su come le galassie dovrebbero comportarsi. Non ha bisogno di conoscere la complessa fisica di come le galassie si formano o come siano distribuite negli aloni di materia oscura. Semplicemente apprende la forma della distribuzione dai punti osservati. I ricercatori hanno notato che il metodo è particolarmente potente quando si osservano eventi molto distanti, dove i cataloghi galattici sono più incompleti. In questi recessi profondi dell'universo, il metodo standard fallisce nel catturare la struttura del cosmo, mentre il nuovo approccio può ancora recuperare le caratteristiche di densità sottostanti.

Sebbene questi risultati siano promettenti, derivano da simulazioni, non ancora da osservazioni reali. Gli autori riconoscono che applicare questo metodo ai dati reali richiederà ulteriori sviluppi, come combinare la ricostruzione della mappa galattica con la misurazione del tasso di espansione in un unico passaggio unificato. Hanno anche intenzione di testare il metodo su dati reali provenienti da survey attuali e futuri. Per ora, il lavoro dimostra che trattando i pezzi mancanti del puzzle cosmico con una maggiore sofisticazione statistica, gli scienziati possono estrarre significativamente più informazioni dalla stessa quantità di dati. Questo approccio offre una strada per risolvere la tensione nella costante di Hubble, rivelando potenzialmente se l'universo si sta espandendo più velocemente di quanto i nostri modelli attuali prevedano o se c'è un mistero più profondo che attende di essere scoperto. La chiave di volta è che l'universo non è un'estensione liscia e priva di caratteristiche, e rispettando la sua struttura naturale anche nei dati che non possiamo vedere, possiamo imparare di più sulla sua natura fondamentale.