Learning Astrophysical Uncertainties in Dark Matter Direct Detection with Simulation-Based Inference

Profondamente nell'universo, la maggior parte della materia non è fatta di ciò che possiamo vedere, toccare o misurare con strumenti ordinari. È invisibile, nota solo per il modo in cui la sua gravità attira stelle e galassie. Gli scienziati chiamano questa materia oscura e, sebbene sappiamo che costituisce circa un quarto di tutto ciò che esiste, non abbiamo idea di cosa sia fatta. Un'idea principale suggerisce che sia composta da particelle pesanti e lente che raramente urtano la materia normale. Se queste particelle esistessero, dovrebbero occasionalmente colpire i nuclei degli atomi all'interno di un rilevatore sulla Terra, creando un debole lampo di luce e un piccolo segnale elettrico. Trovare questo debole segnale sarebbe una scoperta monumentale, rivelando la vera natura dell'universo oscuro.

La sfida è che questi segnali sono incredibilmente rari e facilmente confusi con il rumore di fondo proveniente dalla radioattività naturale o da altri raggi cosmici. Per trovarli, gli scienziati utilizzano enormi serbatoi di xenon liquido, raffreddati vicino allo zero assoluto, sepolti profondamente sottoterra per proteggerli dalle interferenze cosmiche. Quando una particella di materia oscura colpisce un atomo di xenon, produce due segnali distinti: un lampo di luce e un'ondata di elettroni. Misurando il rapporto tra questi due segnali, i ricercatori possono determinare se l'evento sia stato causato da una particella di materia oscura o da una comune particella di fondo. Tuttavia, l'esatto schema di questi segnali dipende da quanto velocemente le particelle di materia oscura si muovono mentre attraversano la nostra galassia. Questa velocità non è nota con perfetta certezza, e diverse ipotesi sulla struttura della galassia possono cambiare l'aspetto del segnale.

In uno studio recente, i ricercatori Felix Kahlhoefer e Niklas Reus del Karlsruhe Institute of Technology in Germania hanno sviluppato un modo ingegnoso per gestire questa incertezza. Invece di cercare di calcolare complesse formule matematiche per tenere conto di ogni possibile variazione della struttura della galassia, hanno utilizzato un metodo chiamato inferenza basata su simulazione. Hanno costruito un programma per computer che ha imparato a riconoscere la differenza tra un segnale di materia oscura e il rumore di fondo studiando milioni di esempi simulati. In queste simulazioni, al computer veniva mostrato un dato generato sotto molte diverse ipotesi su quanto velocemente si muovevano le particelle di materia oscura. Addestrandosi su questa vasta varietà di scenari, il computer ha imparato a ignorare i dettagli specifici del moto galattico e a concentrarsi solo sulle caratteristiche fondamentali che indicano un urto della materia oscura.

I ricercatori hanno testato questo approccio utilizzando un modello dell'esperimento XENONnT, uno dei rilevatori di materia oscura più sensibili attualmente operativi. Hanno creato un gemello digitale del rilevatore, simulando come esso risponderebbe a particelle di materia oscura di diverse masse e intensità di interazione. Hanno poi addestrato una rete neurale, un tipo di intelligenza artificiale, per agire come classificatore. A questa rete venivano mostrate coppie di dati: un insieme in cui il segnale della materia oscura era presente e un altro in cui era assente. L'obiettivo era che la rete imparasse una regola per distinguere i due, calcolando efficacementamente la probabilità che un particolare insieme di osservazioni provenisse da una fonte di materia oscura piuttosto che dal rumore casuale.

Ciò che rende questo metodo particolarmente potente è il modo in cui gestisce la velocità ignota delle particelle di materia oscura. Nell'analisi tradizionale, gli scienziati devono spesso fissare la velocità di queste particelle a un singolo valore standard, il che può portare a errori se tale valore è errato. In questo nuovo approccio, i ricercatori hanno semplicemente incluso molti diversi modelli di velocità nei dati di addestramento. Il computer ha imparato a trattare la velocità come una variabile che poteva essere qualsiasi cosa entro un intervallo ragionevole. Di conseguenza, quando la rete effettua una previsione, ha già tenuto conto di tutte quelle diverse possibilità. L'incertezza sulla struttura della galassia viene efficacementmente mediata, lasciando una risposta chiara sulla materia oscura stessa senza la necessità di eseguire calcoli aggiuntivi per ogni nuovo dato.

Lo studio ha dimostrato che questo metodo funziona sorprendentemente bene. Quando i ricercatori hanno testato la rete addestrata su dati simulati, hanno ottenuto risultati che corrispondevano alle aspettative dei metodi statistici più consolidati nel campo. La rete ha identificato con successo la massa corretta e l'intensità di interazione delle particelle di materia oscura nelle simulazioni, anche quando i dati erano rumorosi o quando le ipotesi sottostanti sulla galassia erano molto diverse dal modello standard. In effetti, la rete ha performato così bene da poter gestire scenari estremi in cui le assunzioni standard erano completamente errate, producendo comunque risultati affidabili. Ciò suggerisce che il metodo sia robusto e possa adattarsi alla realtà disordinata dell'universo meglio delle tecniche più vecchie.

Forse la cosa più importante è che i ricercatori hanno dimostrato che questo approccio può essere scalato facilmente. Man mano che gli esperimenti diventano più sensibili e indagano più a fondo nella "nebbia dei neutrini" — un fondo di segnali dai neutrini solari che alla fine oscurerà il segnale della materia oscura — la necessità di tenere conto di incertezze più complesse crescerà. I metodi tradizionali farebbero fatica, richiedendo enormi quantità di potenza di calcolo per rieseguire i calcoli per ogni nuova variabile. Il metodo basato sulla simulazione, invece, gestisce questa complessità durante la fase di addestramento. Una volta addestrata, la rete può analizzare nuovi dati istantaneamente, indipendentemente da quanti diversi modelli astrofisici siano stati inclusi nell'addestramento. Questo la rende uno strumento pratico ed efficiente per la prossima generazione di ricerche sulla materia oscura.

Le scoperte confermano che l'intelligenza artificiale può essere un partner vitale nella caccia alla materia oscura, non sostituendo la comprensione umana, ma occupandosi del lavoro pesante della statistica complessa. Imparando da una vasta libreria di universi simulati, il computer può trovare il segnale nel rumore con una chiarezza che eguaglia i migliori metodi progettati dagli esseri umani. Questo non significa che la materia oscura sia stata trovata; nessun tale segnale è stato osservato finora. Ma significa che quando il prossimo esperimento si accenderà, gli scienziati avranno uno strumento più nitido e flessibile per interpretare i dati, pronto a distinguere una vera scoperta da un trucco della luce, anche se la galassia si comporterà in modi che non avevamo previsto.