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

何十年もの間、天文学者たちは宇宙が加速しながら膨張し続けている様子を見守ってきました。1990年代後半になされたこの発見は、重力が宇宙の膨張を減速させているはずだという長年の信念を覆しました。この加速を説明するために、科学者たちは「ダークエネルギー」と呼ばれる謎めいた力の存在を提唱しました。これは多くの場合、空虚な空間を満たす一定のエネルギーとしてモデル化されます。しかし、ラムダ・コールド・ダークマター・モデルとして知られるこの標準的な説明は、深い理論的な難問に直面しています。それは、なぜ宇宙が「今」加速しているのかという疑問を物理学者に抱かせ、この謎めいた押し出す力の具体的な強さに根本的な理由を与えていません。こうした空白があるため、研究者たちは、宇宙が引き伸ばされるにつれて、重力そのものが大規模なスケールで異なる振る舞いをするのではないか、つまり重力のルールが変化しているのではないかという探索を始めています。そのようなアイデアの一つが、テレパラレル重力と呼ばれる理論です。これは、重力の力を空間の歪みとしてではなく、宇宙の織物の「ねじれ」、すなわちトーション（捩れ）として記述するものです。

インドの研究チームは、これらのアイデアを検証するために新しいアプローチを採用しました。彼らは、この「ねじれ重力」のルールがどのようなものであるかを推測する代わりに、データから直接ルールを学習するように設計されたコンピュータシステムを構築しました。彼らは2つの膨大な天文観測データを組み合わせました。一つは、宇宙の歴史の異なる時期における膨張速度を測定するものであり、もう一つは、宇宙の距離をマッピングするために爆発する星の明るさを追跡するものです。これらのデータを、物理学に情報を与えたニューラルネットワーク（physics-informed neural network）と呼ばれる特殊な人工知能に投入することで、研究者たちは物理法則を厳格に遵守しながら、宇宙の膨張の歴史を再構成させました。このシステムは、重力の特定の形状を仮定することなく、単に観測結果によって理論の形状を導き出させたのです。

その結果、宇宙が数十億年にわたってどのように膨張してきたかを示す、滑らかで連続的な図が得られました。この再構成された歴史から、チームは、そのような膨張を生み出すために必要となる「ねじれ重力」の具体的な数学的形態を導き出しました。次に、彼らはこの複雑でデータ駆動型の形状を、複雑なパターンに合わせて曲がったりねじれたりすることができる方程式の一種である「3次多項式」を用いて、扱いやすい数式へと簡略化しました。彼らの発見の堅牢性を確保するため、彼らは高度な統計手法を用いて、この方程式における数値の最も可能性の高い値を計算し、不確実性の範囲をマッピングしました。分析の結果、再構成されたモデルは観測データによく適合しており、測定された全レッドシフトの範囲にわたって膨張の歴史を密接に追跡していることが示されました。

研究者たちが自分たちの新しいデータ駆動型モデルを標準的な重力理論と比較したとき、その結果は微妙なものでした。一定の宇宙定数を仮定する標準モデルは、依然として観測結果を説明するために少ない仮定を必要とし、統計的にわずかに優れた適合度を示しました。しかし、新しいモデルが失敗したわけではありませんでした。それは、標準理論から滑らかかつ系統的な方法で逸脱しながらも、宇宙の実行可能な記述であり続けました。この研究は、重力の法則に対する緩やかな変化が、現在の観測結果によって依然として許容されていることを示しました。この研究の最も重要な成果は、必ずしも標準モデルが間違っていると証明することではなく、むしろ強力な新しい手法を提示したことにあります。ディープラーニングと統計分析を組み合わせることで、研究者たちは、先入観にとらわれることなく、将来のより精密なデータに対して修正重力理論をテストするための柔軟なパイプラインを、空から直接重力理論を再構成できる形で作り上げたのです。