🔬 physics

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

本研究は、観測データからハッブルパラメータを非パラメトリックに再構成し、その後、対応するf(T)重力関数を導出するために物理情報ニューラルネットワーク（PINN）を採用しており、標準的なΛCDM宇宙論モデルと一致する、堅牢でデータ駆動型のフレームワークを実証している。

原著者： RAVI KANT MISHRA, Priya Awasthi

公開日 2026-09-09

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： RAVI KANT MISHRA, Priya Awasthi

原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

宇宙は膨張しており、しかもその速度は加速しています。遠方の爆発する星々の光からビッグバンの微かな残光に至るまで、数十年にわたる観測によって確認されたこの発見は、現代の宇宙論における最も深遠な事実の一つです。この加速を説明するために、科学者たちは伝統的に、銀河を互いに遠ざけるダークエネルギーと呼ばれる謎の力を含む標準的なモデルに依拠してきました。しかし、この説明には重大な理論的難題が伴うため、多くの研究者が、重力そのものが現在の理解とは異なる挙動を、最も大規模なスケールで示しているのではないかという疑問を抱いています。新しい目に見えない物質を宇宙の目録に加える代わりに、一部の物理学者は、重力の規則をわずかに調整する必要があると考えています。そのような調整の一つに、テレポート・グラビティ（平行移動重力）と呼ばれる理論があります。これは、力を時空の「曲がり（曲率）」としてではなく、宇宙の織物の「ねじれ（トーション）」として記述するものです。もしこの「ねじれ」こそが宇宙の加速の真の原動力であるならば、それを記述する数学的関数は、宇宙の歴史の異なる時点における膨張速度から直接導き出せるはずです。

インドのサント・ロングワロール工科大学の研究チームは、人工知能を用いて観測データから宇宙の歴史を直接読み取るという、この問題に対する斬新なアプローチを採用しました。彼らは、重力がどのように変化するかについての特定の数学的公式を推測するのではなく、「物理学に基づいたニューラルネットワーク（Physics-Informed Neural Network）」として知られるシステムを用いました。これは、現実世界の測定値からパターンを学習すると同時に、物理学の基本法則に従うように設計されたコンピュータプログラムです。研究者たちは、様々な距離（赤方偏移として知られる）における宇宙の膨張率のデータをネットワークに投入し、あらかじめ設定されたモデルを仮定することなく、膨張の全履歴を再構築するように指示しました。このネットワークは、予測が実際の測定値と一致すると同時に、宇宙がどのように振る舞うべきかを規定する物理方程式を満たすように訓練されました。その結果、宇宙がどのような姿をしているかという先入観に頼ることのない、滑らかで信頼性の高い宇宙膨張のマップが得られました。

この再構築された膨張の履歴から、チームは、この代替重力理論において時空のねじれを測定する特定の量である「トーション・スカラー」の挙動を、逆算して特定することができました。この「ねじれ」が時間の経過とともにどのように変化したかを分析することで、彼らは修正重力を記述する特定の数学的関数を導き出し、事実上、データから宇宙の法則をリバースエンジニアリングしたのです。研究の結果、人工知能によって導き出された膨張の履歴は、データが最も豊富な近距離において、標準的な宇宙論モデルと極めてよく一致することが分かりました。再構築されたモデルは、宇宙が現在、毎秒約70.1キロメートル毎メガパーセルの割合で膨張しており、物質が全宇宙のエネルギー予算の約26パーセントを占めていることを示唆しています。これらの値は標準モデルで予想される範囲内に十分収まっており、宇宙が少し異なる幾何学的規則に従っている可能性はあるものの、依然として私たちがすでに知っているものと非常によく似ていることを示唆しています。

研究者たちはまた、モデルの内部設定に対する小さな変化への反応をテストし、予測と実際のデータとの間の誤差を分析することで、彼らの知見の安定性を検証しました。システムは非常に安定しており、誤差はゼロ付近に密に集まっていました。これは、人工知能が膨張率を系統的に過大評価または過小評価していないことを示しています。修正重力を記述する導出された関数は、単純な三次多項式（データに極めて高い精度で適合する曲線の一種）によって正確に表現することができました。これは、宇宙の膨張という複雑な挙動が、たとえその関係性を事前に仮定していなくても、比較的単純な数学的関係によって捉えられる可能性があることを示唆しています。この研究は、物理法則に導かれた機械学習が、観測から直接宇宙の根底にあるメカニズムを解明するための強力なツールとなり得ることを実証しており、現在の重力の理解が完全であるのか、あるいは時空の幾何学における微妙な「ねじれ」こそが宇宙の加速する運命の鍵を握っているのかを検証する新たな手法を提示しています。

技術要約：PINNを用いた観測的ハッブルデータからのf(T)重力の再構成

問題提起
タイプIa超新星、CMB、BAO、および観測的ハッブルデータ（OHD）によって確認された宇宙の加速膨張は、一般相対性理論における根本的な課題を提示しており、これはしばしばダークエネルギーまたは宇宙定数（ $\Lambda$ ）に起因するとされている。標準的な $\Lambda$ CDMモデルは観測結果によく適合するが、理論的な問題（偶然の一致問題やハッブル・テンションなど）を抱えている。修正重力理論、特に $f(T)$ 重力（トーション・スカラー $T$ を任意の関数 $f(T)$ へと一般化したテレパラレル重力の拡張）は、ダークエネルギーを導入することなく、宇宙の加速に対する代替的な幾何学的説明を提供する。

特定のパラメトリックなモデル（線形やべき乗則など）を仮定せずに、観測データから直接 $f(T)$ の具体的な関数形を再構成するという重要なギャップが存在する。ガウス過程回帰のような従来の非パラメトリック手法は、カーネルの仮定に依存する場合があり、バイアスを導入する可能性がある。また、標準的な人工ニューラルネットワーク（ANN）は、物理法則に反する解を生成する可能性がある。本研究は、宇宙膨張史のモデルに依存しない物理的に一貫した再構成、およびそれに続く $f(T)$ 関数の導出の必要性に対処するものである。

手法
著者らは、OHDからハッブルパラメータ $H(z)$ を直接再構成するために、物理情報ニューラルネットワーク（PINN）の枠組みを採用している。この手法は、観測データとテレパラレル重力の支配的な物理方程式を統合するものである。

データソース: ネットワークは、赤方偏移 $z \in [0.07, 2.36]$ にわたる31個の観測的ハッブルデータポイント（表1）を用いて訓練される。
ネットワーク構成: 入力ニューロン1個（赤方偏移 $z$ ）、隠れ層2層（各8ニューロン、双曲線正接活性化関数を使用）、出力ニューロン1個（ $H(z)$ ）からなるフィードフォワードニューラルネットワーク。
損失関数の構築: 訓練は、以下の要素からなる複合損失関数（ $L_{total}$ $L_{t o t a l}$ ）を最小化する：
- データ損失 ( $L_{data}$ ): 予測された $H(z)$ と観測データとの間の $\chi^2$ の差。
- 物理損失 ( $L_{phy}$ ): 減速パラメータ $q(z)$ と $H(z)$ の関係、具体的には物理的定義 $q(z) = -1 + (1+z)\frac{H'(z)}{H(z)}$ からの逸脱を罰する。
- 単調性損失 ( $L_{mono}$ ): 非物理的な振動を防ぐため、 $H(z)$ が単調である（赤方偏移に対して非増加である）ことを保証する。
- 境界損失 ( $L_0$ ): 現在のハッブルパラメータ $H_0$ を制約する。
- クリッピング損失 ( $L_{clip}$ ): 物理的に許容される範囲内に予測を閉じ込めることで、数値的安定性を維持する。
最適化: 適応学習率とモーメンタムを備えたAdamオプティマイザを使用してネットワークを訓練する。
再構成の連鎖:
- 訓練されたPINNは、滑らかな非パラメトリックな $H(z)$ を与える。
- テレパラレル重力におけるFLRW計量の関係式 $T = -6H(z)^2$ を用い、トーション・スカラー $T(z)$ を導出する。
- $f(T)$ の場の方程式を利用して、解析的な形式を仮定することなく、 $f(T)$ 関数を数値積分して再構成する。
- 得られた数値的な $f(T)$ は、解析的な比較のために3次多項式によって近似される。

主な結果

ハッブルパラメータの再構成: PINNは、観測された赤方偏移範囲全体にわたって $H(z)$ を正常に再構成した。再構成された結果は、特に低赤方偏移および中間赤方偏移において、標準的な $\Lambda$ CDMモデルと密接に一致している。観測データの大部分は、PINNの予測の $1\sigma$ および $2\sigma$ 信頼帯内に収まっている。
宇宙膨張史: 再構成された減速パラメータ $q(z)$ は、 $z_t \approx 0.6$ において減速から加速への転移を示しており、現在の宇宙論的理解と一致している。
$f(T)$ 関数: $f(T)$ のモデルに依存しない再構成は、トーション・スカラー $T$ に対する滑らかで安定した依存性を示している。数値的な再構成は、決定係数 $R^2 = 0.999996$ およびRMSE $1.7488 \times 10^2$ を持つ3次多項式（ $f(T) = aT^3 + bT^2 + cT + d$ ）によって良好に近似される。
パラメータ制約: $(\Omega_m, H_0)$ 平面における $\chi^2$ に基づく尤度解析により、最良適合値として $H_0 \approx 70.1 \text{ km s}^{-1} \text{ Mpc}^{-1}$ および $\Omega_m \approx 0.26$ が得られた。信頼区間は、これらのパラメータ間に負の相関があることを示しており、これは標準的な宇宙論的縮退と一致している。
収束性と安定性: 損失ランドスケープの分析により、単一の明確な極小値を持つ滑らかな盆地状の構造が明らかになり、訓練された解が重みの摂動に対して安定かつ堅牢であることを示している。残差分析により、モデルがグローバルに偏りがない（バイアスがない）ことが確認され、誤差はゼロを中心としている。

意義と主張
本論文は、観測宇宙論と修正テレパラレル重力との間の直接的なデータ駆動型のリンクを確立したと主張している。PINNを用いることで、以下のことが可能であることを本研究は示している：

特定の宇宙論的パラメトリゼーションを仮定することなく、宇宙膨張史を再構成すること。
観測的制約から基礎となる $f(T)$ 重力関数を直接導出し、その解がデータへの忠実度と物理法則（テレパラレル場の方程式）の両方を満たすことを保証すること。
カーネル選択バイアスや物理的不整合に陥る可能性のあるパラメトリックな再構成手法に代わる、宇宙の後半の進化を調査するための堅牢な枠組みを提供すること。

著者らは、PINNのアプローチが、宇宙膨張史と修正重力の関数形の両方を観測データセットから回収できる効果的なモデル非依存のツールとして機能し、物理情報機械学習の宇宙論的再構成における潜在的な有効性を検証していると結論付けている。

関連論文