Deep Learning for f (T) Gravity: Joint PINN Reconstruction and MCMC Analysis of Data Sets

Per decenni, gli astronomi hanno osservato l'universo espandersi a un ritmo sempre crescente. Questa scoperta, compiuta alla fine degli anni '90, ha ribaltato la convinzione radicata che la gravità avrebbe dovuto rallentare il cosmo. Per spiegare questa accelerazione, gli scienziati hanno proposto l'esistenza di una misteriosa forza chiamata energia oscura, spesso modellata come un'energia costante che riempie lo spazio vuoto. Tuttavia, questa spiegazione standard, nota come modello Lambda Cold Dark Matter, affronta profondi enigmi teorici. Lascia i fisici con il dubbio del perché l'universo stia accelerando proprio ora e non offre alcuna ragione fondamentale per la specifica intensità di questa misteriosa spinta. A causa di queste lacune, i ricercatori hanno iniziato a esplorare se la gravità stessa possa comportarsi diversamente sulle scale più grandi, forse cambiando le proprie regole man mano che l'universo si dilata. Una di queste idee è una teoria chiamata gravità teleparallela, che descrive la forza di gravità non come la curvatura dello spazio, ma come una torsione, o torsione, del tessuto del cosmo.

Un team di ricercatori dall'India ha adottato un approccio inedito per testare queste idee. Invece di ipotizzare quali potessero essere le regole di questa gravità torsionale, hanno costruito un sistema informatico progettato per apprendere le regole direttamente dai dati. Hanno combinato due enormi collezioni di osservazioni astronomiche: una che misura quanto velocemente l'universo si espande in diversi momenti della sua storia, e un'altra che traccia la luminosità delle stelle esplodenti per mappare le distanze cosmiche. Alimentando questi dati in un tipo specializzato di intelligenza artificiale noto come rete neurale informata dalla fisica, i ricercatori hanno permesso al computer di ricostruire la storia dell'espansione dell'universo rispettando rigorosamente le leggi della fisica. Il sistema non ha assunto una forma specifica per la forza gravitazionale; ha semplicemente lasciato che le osservazioni guidassero la forma della teoria.

Il risultato è stato un quadro fluido e continuo di come l'universo si sia espanso nel corso di miliardi di anni. Da questa storia ricostruita, il team ha derivato la forma matematica specifica della gravità torsionale che sarebbe necessaria per produrre tale espansione. Hanno poi semplificato questa complessa forma derivata dai dati in una formula gestibile utilizzando un polinomio cubico, un tipo di equazione capace di curvarsi e torcersi per adattarsi a schemi complessi. Per garantire la robustezza delle loro scoperte, hanno utilizzato metodi statistici avanzati per calcolare i valori più probabili per i numeri in questa equazione e per mappare l'intervallo di incertezza. L'analisi ha dimostrato che il modello ricostruito si adatta bene ai dati osservativi, seguendo da vicino la storia dell'espansione in tutto l'intervallo di redshift misurato.

Quando i ricercatori hanno confrontato il loro nuovo modello basato sui dati con la teoria standard della gravità, i risultati sono stati sfumati. Il modello standard, che assume una costante cosmologica costante, forniva ancora un adattamento statistico leggermente migliore ai dati, richiedendo meno assunzioni per spiegare le osservazioni. Tuttavia, il nuovo modello non è fallito; è rimasto una descrizione valida dell'universo che devia dalla teoria standard in modo fluido e sistematico. Lo studio ha dimostrato che lievi cambiamenti alle leggi della gravità sono ancora ammessi dalle osservazioni attuali. Il traguardo più significativo di questo lavoro non è stato necessariamente quello di provare che il modello standard sia sbagliato, ma piuttosto quello di dimostrare un nuovo e potente metodo. Combinando l'apprendimento profondo con l'analisi statistica, i ricercatori hanno creato una pipeline flessibile in grado di ricostruire le teorie gravitazionali direttamente dal cielo, offrendo un modo per testare le teorie della gravità modificata contro dati futuri più precisi senza rimanere intrappolati da idee preconcette.