A Graph Attention Network Framework for Simultaneous Prediction of Galaxy and Dark Matter Halo Properties in GAMA DR4

Nel profondo del cosmo, un'impalcatura invisibile tiene insieme l'universo visibile. Questa struttura invisibile è fatta di materia oscura, una sostanza misteriosa che non emette luce ma esercita una potente attrazione gravitazionale. Gli astronomi sanno che esiste perché le galassie ruotano troppo velocemente per essere tenute insieme solo dalle stelle e dai gas che possiamo vedere. Queste galassie vivono all'interno di vasti ammassi sferici di questa materia oscura, noti come aloni. Comprendere la relazione tra una galassia e la sua dimora di materia oscura è fondamentale per mappare la storia dell'universo, eppure misurare direttamente la massa di questi aloni invisibili è incredibilmente difficile. Gli scienziati si sono a lungo affidati a complesse simulazioni informatiche o a metodi indiretti che spesso ignorano la realtà disordinata e interconnessa di come le galassie si trovino effettivamente nello spazio.

Un team di ricercatori dell'Istituto Indiano di Tecnologia di Patna ha sviluppato un nuovo modo per risolvere questo enigma utilizzando un tipo di intelligenza artificiale progettata per comprendere le relazioni. Invece di trattare ogni galassia come un'isola isolata, hanno costruito una mappa digitale in cui ogni galassia è un punto connesso ai propri vicini, molto simile a un social network dove la forza di una connessione dipende dalla vicinanza fisica e dall'appartenenza a un gruppo. Hanno addestrato questo sistema, che chiamano GAMANet, su una vasta collezione di osservazioni reali del sondaggio GAMA, un progetto che ha catalogato meticolosamente centinaia di migliaia di galassie. Alimentando l'IA con dati sulla luce, il colore, le dimensioni e il movimento di quasi 20.000 galassie, il modello ha imparato a prevedere simultaneamente tre proprietà chiave: la massa delle stelle della galassia, la velocità con cui sta formando nuove stelle e la massa totale dell'invisibile alone di materia oscura che la circonda.

I ricercatori non si sono limitati a guardare le singole galassie; hanno insegnato al computer a prestare attenzione al vicinato. Nel loro sistema, una galassia non è solo una collezione delle proprie caratteristiche, ma un nodo in una rete di connessioni. L'IA ha appreso che una galassia centrale massiccia in un ammasso potrebbe contenere più informazioni sulla materia oscura locale rispetto a una piccola e solitaria galassia satellite. Per gestire questo aspetto, hanno utilizzato un tipo specifico di rete neurale che assegna diversi livelli di importanza a ciascun vicino, decidendo efficacementmente quali galassie vicine siano più rilevanti per fare una previsione. Questo approccio ha permesso al modello di catturare i sottili effetti ambientali che influenzano l'evoluzione delle galassie, come il fatto che facciano parte di un gruppo compatto o che fluttuino nello spazio aperto.

Quando testato su dati che non aveva mai visto prima, il modello ha performato con una precisione sorprendente. Ha previsto la massa degli aloni di materia oscura con un alto grado di precisione, catturando oltre il 95 percento delle variazioni nei dati. È stato ancora più accurato nel prevedere la massa delle stelle all'interno delle galassie e il tasso con cui esse stanno formando nuove stelle. Questi risultati sono significativi perché il modello è stato addestrato interamente su dati osservativi reali provenienti dal cielo, piuttosto che su universi simulati creati dai computer. Ciò significa che i risultati riflettono la reale complessità dell'universo, incluse le imperfezioni e le incertezze inerenti alle misurazioni del mondo reale. Lo studio suggerisce che la massa di un alone di materia oscura è fondamentalmente una proprietà a livello di gruppo, il che significa che per comprendere il peso nascosto di una galassia, bisogna guardare all'intera famiglia di galassie a cui appartiene, non solo alla galassia stessa.

Il successo di questo metodo evidenzia un cambiamento nel modo in cui gli astronomi approcciano i big data. Rappresentando l'universo come un grafo in cui le relazioni sono importanti quanto gli oggetti stessi, i ricercatori sono stati in grado di estrarre informazioni che i metodi tradizionali spesso perdono. L'analisi interna del modello ha mostrato che esso era riuscito a distinguere tra diversi tipi di galassie, separando quelle con stelle più vecchie e rosse da quelle con stelle più giovani e blu, basandosi puramente sui pattern dei dati. Sembrava persino in grado di inferire dettagli sul movimento delle stelle all'interno delle galassie, una proprietà che non gli era stata esplicitamente indicata, semplicemente analizzando l'ambiente circostante. Sebbene l'attuale sistema richieda che l'intero dataset venga caricato in memoria tutto in una volta, limitando il suo uso immediato per futuri e massicci sondaggi, il lavoro dimostra che l'apprendimento basato sui grafi è uno strumento potente per decodificare la rete cosmica. Esso offre una nuova via diretta per comprendere l'architettura invisibile che modella l'universo visibile, trasformando una collezione caotica di stelle in una coerente storia di struttura cosmica.