🔬 physics

Reconstructing f(T) Gravity from Observational Hubble Data: A PINN Approach

Questo studio impiega una Rete Neurale Informata dalla Fisica (PINN) per ricostruire in modo non parametrico il parametro di Hubble dai dati osservativi e successivamente derivare la corrispondente funzione della gravità f(T), dimostrando un robusto framework guidato dai dati che si allinea con il modello cosmologico standard ΛCDM.

Autori originali: RAVI KANT MISHRA, Priya Awasthi

Pubblicato 2026-09-09

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: RAVI KANT MISHRA, Priya Awasthi

Articolo originale sotto licenza CC BY 4.0 (https://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

L'universo si sta espandendo e lo sta facendo a un ritmo accelerato. Questa scoperta, confermata da decenni di osservazioni che spaziano dalla luce di lontane stelle esplodenti al debole bagliore residuo del Big Bang, rappresenta uno dei fatti più profondi della cosmologia moderna. Per spiegare questa accelerazione, gli scienziati si sono tradizionalmente affidati a un modello standard che include una misteriosa forza chiamata energia oscura, che spinge le galassie lontano l'una dall'altra. Tuttavia, questa spiegazione comporta significativi problemi teorici, portando molti ricercatori a chiedersi se la gravità stessa possa comportarsi diversamente su scale così vaste rispetto a quanto comprendiamo attualmente. Invece di aggiungere una nuova sostanza invisibile all'inventario cosmico, alcuni fisici propongono che le regole della gravità debbano subire un leggero aggiustamento. Un tale aggiustamento coinvolge una teoria chiamata gravità teleparallela, che descrive la forza non come la curvatura dello spazio-tempo, ma come una torsione o un avvitamento del tessuto dell'universo. Se questo avvitamento è il vero motore dell'accelerazione cosmica, allora la funzione matematica che lo descrive dovrebbe essere deducibile direttamente da quanto velocemente l'universo si espande in diversi momenti della sua storia.

Un team di ricercatori presso il Sant Longowal Institute of Engineering and Technology in India ha adottato un approccio originale a questo problema, utilizzando un tipo di intelligenza artificiale per leggere la storia dell'universo direttamente dai dati osservativi. Invece di indovinare una specifica formula matematica su come la gravità potrebbe cambiare, hanno impiegato un sistema noto come Rete Neurale Informata dalla Fisica (Physics-Informed Neural Network). Si tratta di un programma informatico progettato per apprendere modelli dai dati del mondo reale, rispettando simultaneamente le leggi fondamentali della fisica. I ricercatori hanno fornito alla rete dati sul tasso di espansione dell'universo a varie distanze, note come redshift, e hanno chiesto al sistema di ricostruire l'intera storia dell'espansione senza assumere un modello predefinito. La rete è stata addestrata per garantire che le sue previsioni corrispondessero alle misurazioni reali e che, allo stesso tempo, soddisfacessero le equazioni fisiche che governano il comportamento dell'universo. Il risultato è stato una mappa fluida e affidabile dell'espansione cosmica che non dipendeva da alcuna nozione preconcepita di come l'universo dovesse apparire.

Da questa storia dell'espansione ricostruita, il team è stato in grado di lavorare a ritroso per determinare il comportamento dello scalare di torsione, la quantità specifica che misura l'avvitamento dello spaziotempo in questa teoria alternativa della gravità. Analizzando come questo avvitamento cambiasse nel tempo, sono stati in grado di derivare la specifica funzione matematica che descrive la gravità modificata, effettuando di fatto l'ingegneria inversa delle leggi dell'universo partendo dai dati stessi. Lo studio ha rilevato che la storia dell'espansione derivata dall'intelligenza artificiale si allinea notevolmente con il modello cosmologico standard, in particolare alle distanze minori dove i dati sono più abbondanti. Il modello ricostruito suggerisce che l'universo si stia espandendo attualmente a un tasso di circa 70,1 chilometri al secondo per megaparsec, con la materia che costituisce circa il 26 percento del budget energetico cosmico totale. Questi valori rientrano comodamente negli intervalli previsti dal modello standard, suggerendo che, sebbene l'universo possa essere governato da una regola geometrica leggermente diversa, appare ancora molto simile a quello che già conosciamo.

I ricercatori hanno anche esaminato la stabilità delle loro scoperte, testando come il modello reagisse a piccole variazioni nelle sue impostazioni interne e analizzando gli errori tra le loro previsioni e i dati reali. Il sistema si è dimostrato altamente stabile, con gli errori che si raggruppavano strettamente attorno allo zero, indicando che l'intelligenza artificiale non sovrastimava né sottostimava sistematicamente il tasso di espansione. La funzione derivata che descrive la gravità modificata poteva essere rappresentata accuratamente da un semplice polinomio cubico, un tipo di curva che si adatta ai dati con un grado di precisione estremamente elevato. Ciò suggerisce che il complesso comportamento dell'espansione dell'universo può essere catturato da una relazione matematica relativamente semplice, anche senza assumere tale relazione in anticipo. Lo studio dimostra che l'apprendimento automatico, quando guidato dalle leggi fisiche, può servire come potente strumento per scoprire la meccanica sottostante del cosmo direttamente dall'osservazione, offrendo un nuovo modo per testare se la nostra attuale comprensione della gravità sia completa o se un sottile avvitamento nella geometria dello spazio sia la chiave del destino accelerato dell'universo.

Sintesi Tecnica: Ricostruzione della gravità $f(T)$ dai dati Hubble osservativi tramite PINN

Definizione del Problema
L'accelerazione dell'espansione dell'universo, confermata da Supernovae di Tipo Ia, CMB, BAO e Dati Hubble Osservativi (OHD), presenta una sfida fondamentale all'interno della Relatività Generale, spesso attribuita all'energia oscura o alla costante cosmologica ( $\Lambda$ ). Mentre il modello standard $\Lambda$ CDM si adatta bene alle osservazioni, esso affronta problemi teorici come il problema della coincidenza e la tensione di Hubble. Le teorie della gravità modificata, specificamente la gravità $f(T)$ (un'estensione della Gravità Teleparallela in cui lo scalare di torsione $T$ è generalizzato in una funzione arbitraria $f(T)$ ), offrono una spiegazione geometrica alternativa all'accelerazione cosmica senza invocare l'energia oscura.

Esiste una lacuna critica nella ricostruzione della specifica forma funzionale di $f(T)$ direttamente dai dati senza assumere un modello parametrico predefinito (ad esempio, lineare o a legge di potenza). I metodi non parametrici tradizionali, come la Regressione dei Processi Gaussiani, spesso si basano su assunzioni di kernel che possono introdurre bias, mentre le Reti Neurali Artificiali (ANN) standard possono produrre soluzioni che violano le leggi fisiche. Questo studio affronta la necessità di una ricostruzione non parametrica e fisicamente coerente della storia dell'espansione cosmica e della successiva derivazione della funzione $f(T)$ .

Metodologia
Gli autori impiegano un framework di Reti Neurali Informate dalla Fisica (PINN) per ricostruire il parametro di Hubble $H(z)$ direttamente dagli OHD. La metodologia integra i dati osservativi con le equazioni fisiche dominanti della gravità teleparallela.

Fonte dei Dati: La rete viene addestrata su un dataset di 31 punti di dati Hubble osservativi che coprono redshift $z \in [0.07, 2.36]$ (Tabella 1).
Architettura della Rete: Una rete neurale feed-forward con un neurone di input (redshift $z$ ), due strati nascosti (8 neuroni ciascuno) con funzioni di attivazione tangente iperbolica, e un neurone di output ( $H(z)$ ).
Costruzione della Funzione di Perdita: L'addestramento minimizza una funzione di perdita composita ( $L_{total}$ $L_{t o t a l}$ ) composta da:
- Perdita dei Dati ( $L_{data}$ ): La differenza $\chi^2$ tra l' $H(z)$ predetto e i dati osservativi.
- Perdita Fisica ( $L_{phy}$ ): Impone la relazione tra il parametro di decelerazione $q(z)$ e $H(z)$ , penalizzando specificamente le deviazioni dalla definizione fisica $q(z) = -1 + (1+z)\frac{H'(z)}{H(z)}$ .
- Perdita di Monotonicità ( $L_{mono}$ ): Assicura che $H(z)$ si comporti in modo monotono (non decrescente con il redshift) per prevenire oscillazioni non fisiche.
- Perdita di Confine ( $L_0$ ): Vincola il parametro di Hubble attuale $H_0$ .
- Perdita di Clipping ( $L_{clip}$ ): Mantiene la stabilità numerica confinando le predizioni in intervalli fisicamente accettabili.
Ottimizzazione: La rete è addestrata utilizzando l'ottimizzatore Adam con tassi di apprendimento adattivi e momentum.
Catena di Ricostruzione:
- La PINN addestrata fornisce un $H(z)$ liscio e non parametrico.
- Utilizzando la relazione della metrica FLRW nella gravità teleparallela, $T = -6H(z)^2$ , viene derivato lo scalare di torsione $T(z)$ .
- Le equazioni di campo della gravità $f(T)$ vengono utilizzate per integrare numericamente e ricostruire la funzione $f(T)$ senza assumere una forma analitica.
- La risultante ricostruzione numerica di $f(T)$ è approssimata da un polinomio cubico per il confronto analitico.

Risultati Chiave

Ricostruzione del Parametro di Hubble: La PINN ricostruisce con successo $H(z)$ attraverso l'osservato intervallo di redshift. La ricostruzione si allinea strettamente con il modello standard $\Lambda$ CDM, particolarmente ai bassi e medi redshift. La maggior parte dei punti dati osservativi ricade entro le bande di confidenza $1\sigma$ e $2\sigma$ della predizione PINN.
Storia dell'Espansione Cosmica: Il parametro di decelerazione ricostruito $q(z)$ indica una transizione dalla decelerazione all'accelerazione a $z_t \approx 0.6$ , coerentemente con l'attuale comprensione cosmologica.
Funzione $f(T)$ : La ricostruzione indipendente dal modello di $f(T)$ dimostra una dipendenza fluida e stabile dallo scalare di torsione $T$ . La ricostruzione numerica è ben approssimata da un polinomio cubico ( $f(T) = aT^3 + bT^2 + cT + d$ ) con un coefficiente di determinazione $R^2 = 0.999996$ e un RMSE di $1.7488 \times 10^2$ .
Vincoli dei Parametri: Un'analisi di verosimiglianza basata su $\chi^2$ nel piano $(\Omega_m, H_0)$ produce valori di best-fit di $H_0 \approx 70.1 \text{ km s}^{-1} \text{ Mpc}^{-1}$ e $\Omega_m \approx 0.26$ . I contorni di confidenza mostrano una correlazione negativa tra questi parametri, coerentemente con le tipiche degenerazioni cosmologiche.
Convergenza e Stabilità: L'analisi del paesaggio della perdita rivela una struttura liscia, a bacino, con un singolo minimo ben definito, indicando che la soluzione addestrata è stabile e robusta contro le perturbazioni dei pesi. L'analisi dei residui conferma che il modello è globalmente non distorto, con errori centrati intorno allo zero.

Significatività e Rivendicazioni
Il documento sostiene di aver stabilito un legame diretto, guidato dai dati, tra la cosmologia osservativa e la gravità teleparallela modificata. Utilizzando le PINN, lo studio dimostra che è possibile:

Ricostruire la storia dell'espansione cosmica senza assumere una specifica parametrizzazione cosmologica.
Derivare la funzione di gravità $f(T)$ sottostante direttamente dai vincoli osservativi, garantendo che la soluzione soddisfi sia la fedeltà ai dati che le leggi fisiche (equazioni di campo teleparallele).
Fornire un framework robusto per investigare l'evoluzione tardiva dell'universo nella gravità teleparallela, offrendo un'alternativa ai metodi di ricostruzione parametrica che possono soffrire di bias di selezione del kernel o incoerenza fisica.

Gli autori concludono che l'approccio PINN funge da efficace strumento indipendente dal modello, capace di recuperare sia la storia dell'espansione che le forme funzionali della gravità modificata dai dataset osservativi, validando il potenziale del machine learning informato dalla fisica nella ricostruzione cosmologica.

Articoli simili