🔬 physics

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

Deze studie maakt gebruik van een Physics-Informed Neural Network (PINN) om de Hubble-parameter niet-parametrisch te reconstrueren uit observationele data en vervolgens de bijbehorende f(T)-zwaartekrachtfunctie af te leiden, waarmee een robuust, datagestuurd kader wordt aangetoond dat in lijn is met het standaard ΛCDM-kosmologisch model.

Oorspronkelijke auteurs: RAVI KANT MISHRA, Priya Awasthi

Gepubliceerd 2026-09-09

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: RAVI KANT MISHRA, Priya Awasthi

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het universum dijt uit, en dat doet het in een versnellend tempo. Deze ontdekking, bevestigd door decennia aan waarnemingen variërend van het licht van verre exploderende sterren tot de zwakke nagloed van de oerknal, staat als een van de meest diepgaande feiten van de moderne kosmologie te boek. Om deze versnelling te verklaren, hebben wetenschappers zich traditioneel vertrouwd op een standaardmodel dat een mysterieuze kracht bevat genaamd donkere energie, die sterrenstelsels uit elkaar duwt. Deze verklaring brengt echter aanzienlijke theoretische hoofdpijn met zich mee, wat veel onderzoekers ertoe aanzet te vragen of zwaartekracht zelf op de grootste schalen anders zou kunnen werken dan we momenteel begrijpen. In plaats van een nieuwe, onzichtbare substantie aan de kosmische inventaris toe te voegen, stellen sommige natuurkundigen voor dat de regels van de zwaartekracht een lichte aanpassing behoeven. Een dergelijke aanpassing betreft een theorie genaamd teleparallelle zwaartekracht, die de kracht niet beschrijft als de kromming van ruimte en tijd, maar als een draaiing of torsie van het weefsel van het universum. Als deze draaiing de werkelijke drijfveer is van de kosmische versnelling, dan zou de wiskundige functie die dit beschrijft direct afleidbaar moeten zijn uit hoe snel het universum op verschillende punten in zijn geschiedenis dijt.

Een team onderzoekers aan het Sant Longowal Institute of Engineering and Technology in India heeft een vernieuwende aanpak van dit probleem gehanteerd, waarbij zij een vorm van kunstmatige intelligentie gebruikten om de geschiedenis van het universum direct uit observationele gegevens te lezen. In plaats van een specifieke wiskundige formule te raden voor hoe de zwaartekracht zou kunnen veranderen, gebruikten zij een systeem dat bekend staat als een Physics-Informed Neural Network. Dit is een computerprogramma dat is ontworpen om patronen te leren van echte metingen, terwijl het tegelijkertijd de fundamentele wetten van de natuurkunde naleeft. De onderzoekers voedden het netwerk met gegevens over de uitdijingssnelheid van het universum op verschillende afstanden, bekend als roodverschuivingen, en vroegen het systeem om de gehele expansiegeschiedenis te reconstrueren zonder een vooraf ingesteld model aan te nemen. Het netwerk werd getraind om ervoor te zorgen dat de voorspellingen overeenkwamen met de werkelijke metingen, terwijl ze ook voldeden aan de fysieke vergelijkingen die bepalen hoe het universum zich zou moeten gedragen. Het resultaat was een vloeiende, betrouwbare kaart van de kosmische expansie die niet steunde op vooraf vastgestelde opvattingen over hoe het universum eruit zou moeten zien.

Vanuit deze gereconstrueerde expansiegeschiedenis was het team in staat om achteruit te werken om het gedrag van de torsiescalar te bepalen, de specifieke grootheid die de draaiing van de ruimtetijd in deze alternatieve zwaartekrachttheorie meet. Door te analyseren hoe deze draaiing in de loop van de tijd veranderde, waren zij in staat om de specifieke wiskundige functie af te leiden die de gemodificeerde zwaartekracht beschrijft, waarmee zij de wetten van het universum effectief achterstevoren hebben teruggeëngineerd vanuit de data zelf. De studie vond dat de door kunstmatige intelligentie afgeleide expansiegeschiedenis opmerkelijk goed overeenkomt met het standaard kosmologische model, met name op kortere afstanden waar de meeste gegevens beschikbaar zijn. Het gereconstrueerde model suggereert dat het universum momenteel uitdijt met een snelheid van ongeveer 70,1 kilometer per seconde per megaparsec, waarbij materie ongeveer 26 procent van de totale kosmische energiebalans beslaat. Deze waarden passen comfortabel binnen de bereiken die worden verwacht door het standaardmodel, wat suggereert dat hoewel het universum mogelijk wordt beheerst door een iets andere geometrische regel, het er nog steeds heel erg uitziet als het universum dat we al kennen.

De onderzoekers onderzochten ook de stabiliteit van hun bevindingen door te testen hoe het model reageerde op kleine veranderingen in de interne instellingen en door de fouten tussen hun voorspellingen en de werkelijke gegevens te analyseren. Het systeem bleek zeer stabiel, waarbij de fouten nauw rond nul clusterden, wat aangeeft dat de kunstmatige intelligentie de expansiesnelheid niet systematisch heeft overschat of onderschat. De afgeleide functie die de gemodificeerde zwaartekracht beschrijft, kon nauwkeurig worden weergegeven door een eenvoudige kubische polynoom, een type curve dat de gegevens met een extreem hoge precisie past. Dit suggereert dat het complexe gedrag van de expansie van het universum kan worden gevangen door een relatief eenvoudige wiskundige relatie, zelfs zonder die relatie vooraf aan te nemen. De studie demonstreert dat machine learning, wanneer geleid door natuurkundige wetten, een krachtig instrument kan zijn om de onderliggende mechanica van het kosmos direct uit observaties te onthullen, wat een nieuwe manier biedt om te testen of ons huidige begrip van zwaartekracht compleet is of dat een subtiele draai in de geometrie van de ruimte de sleutel is tot het versnellende lot van het universum.

Technische Samenvatting: Reconstructie van $f(T)$ -zwaartekracht uit Observationele Hubble-data via PINN

Probleemstelling
De versnellende expansie van het universum, bevestigd door Type Ia Supernovae, CMB, BAO en Observationele Hubble-data (OHD), vormt een fundamentele uitdaging binnen de Algemene Relativiteitstheorie, vaak toegeschreven aan donkere energie of de kosmologische constante ( $\Lambda$ ). Hoewel het standaard $\Lambda$ CDM-model observaties goed beschrijft, kampt het met theoretische problemen zoals het coincidentieprobleem en de Hubble-spanning. Gemodificeerde zwaartekrachttheorieën, specifiek $f(T)$ -zwaartekracht (een uitbreiding van de Teleparallelle Zwaartekracht waarbij de torsiescalar $T$ wordt gegeneraliseerd naar een willekeurige functie $f(T)$ ), bieden een alternatieve geometrische verklaring voor de kosmische versnelling zonder donkere energie aan te roepen.

Er bestaat een kritische kloof in het reconstrueren van de specifieke functionele vorm van $f(T)$ direct uit data zonder een vooraf gedefinieerd parametrisch model (bijv. lineair of machtswet) aan te nemen. Traditionele niet-parametrische methoden zoals Gaussian Process Regression vertrouwen vaak op kernel-aannames die bias kunnen introduceren, terwijl standaard Artificiële Neurale Netwerken (ANN's) oplossingen kunnen produceren die de natuurwetten schenden. Deze studie adresseert de behoefte aan een modelonafhankelijke, fysiek consistente reconstructie van de kosmische expansiegeschiedenis en de daaropvolgende afleiding van de $f(T)$ -functie.

Methodologie
De auteurs maken gebruik van een Physics-Informed Neural Network (PINN) raamwerk om de Hubble-parameter $H(z)$ direct te reconstrueren uit OHD. De methodologie integreert observationele data met de leidende fysische vergelijkingen van de teleparallelle zwaartekracht.

Databron: Het netwerk wordt getraind op een dataset van 31 observationele Hubble-datapunten over een roodverschuiving bereik van $z \in [0.07, 2.36]$ (Tabel 1).
Netwerkarchitectuur: Een feed-forward neuraal netwerk met één inputneuron (roodverschuiving $z$ ), twee verborgen lagen (8 neuronen elk) met hyperbolische tangent activatiefuncties, en één outputneuron ( $H(z)$ ).
Constructie van de Verliesfunctie: De training minimaliseert een samengestelde verliesfunctie ( $L_{total}$ $L_{t o t a l}$ ) bestaande uit:
- Dataverlies ( $L_{data}$ ): Het $\chi^2$ -verschil tussen de voorspelde $H(z)$ en de observationele data.
- Fysisch verlies ( $L_{phy}$ ): Dwingt de relatie af tussen de deceleratieparameter $q(z)$ en $H(z)$ , specifiek door afwijkingen te bestraffen van de fysische definitie $q(z) = -1 + (1+z)\frac{H'(z)}{H(z)}$ .
- Monotoniciteitsverlies ( $L_{mono}$ ): Zorgt ervoor dat $H(z)$ monotoon gedrag vertoont (niet-toenemend met de roodverschuiving) om niet-fysische oscillaties te voorkomen.
- Randvoorwaardeverlies ( $L_0$ ): Constanteert de huidige Hubble-parameter $H_0$ .
- Clipping-verlies ( $L_{clip}$ ): Handhaaft numerieke stabiliteit door voorspellingen binnen fysiek acceptabele bereiken te houden.
Optimalisatie: Het netwerk wordt getraind met de Adam-optimizer met adaptieve leersnelheden en momentum.
Reconstructieketen:
- De getrainde PINN levert een vloeiende, niet-parametrische $H(z)$ .
- Gebruikmakend van de FLRW-metriek relatie in teleparallelle zwaartekracht, $T = -6H(z)^2$ , wordt de torsiescalar $T(z)$ afgeleid.
- De veldvergelijkingen voor $f(T)$ -zwaartekracht worden gebruikt om de functie $f(T)$ numeriek te integreren en te reconstrueren zonder een analytische vorm aan te nemen.
- De resulterende numerieke $f(T)$ wordt benaderd door een kubische polynoom voor analytische vergelijking.

Belangrijkste Resultaten

Reconstructie van de Hubble-parameter: De PINN reconstrueert $H(z)$ succesvol over het geobserveerde roodverschuivingsbereik. De reconstructie komt nauw overeen met het standaard $\Lambda$ CDM-model, met name bij lage en intermediaire roodverschuivingen. Het merendeel van de observationele datapunten valt binnen de $1\sigma$ en $2\sigma$ betrouwbaarheidsbanden van de PINN-voorspelling.
Kosmische Expansiegeschiedenis: De gereconstrueerde deceleratieparameter $q(z)$ geeft een transitie aan van deceleratie naar acceleratie bij $z_t \approx 0.6$ , consistent met de huidige kosmologische kennis.
$f(T)$ -functie: De modelonafhankelijke reconstructie van $f(T)$ vertoont een vloeiende, stabiele afhankelijkheid van de torsiescalar $T$ . De numerieke reconstructie wordt goed benaderd door een kubische polynoom ( $f(T) = aT^3 + bT^2 + cT + d$ ) met een determinatiecoëfficiënt $R^2 = 0.999996$ en een RMSE van $1.7488 \times 10^2$ .
Parameterbeperkingen: Een $\chi^2$ -gebaseerde likelihood-analyse in de $(\Omega_m, H_0)$ vlak levert de best-fit waarden van $H_0 \approx 70.1 \text{ km s}^{-1} \text{ Mpc}^{-1}$ en $\Omega_m \approx 0.26$ . De betrouwbaarheidscontouren tonen een negatieve correlatie tussen deze parameters, consistent met standaard kosmologische degeneraties.
Convergentie en Stabiliteit: De analyse van het verlieslandschap onthult een gladde, bekkenachtige structuur met een enkel goed gedefinieerd minimum, wat aangeeft dat de getrainde oplossing stabiel en robuust is tegen gewicht-perturbaties. Residu-analyse bevestigt dat het model globaal onbevooroordeeld is, met fouten gecentreerd rond nul.

Betekenis en Claims
Het artikel claimt een directe, datagedreven link te hebben vastgesteld tussen observationele kosmologie en gemodificeerde teleparallelle zwaartekracht. Door gebruik te maken van PINNs, demonstreert de studie dat het mogelijk is om:

De kosmische expansiegeschiedenis te reconstrueren zonder een specifieke kosmologische parametrisatie aan te nemen.
De onderliggende $f(T)$ -zwaartekrachtsfunctie direct af te leiden uit observationele beperkingen, waarbij wordt gewaarborgd dat de oplossing zowel voldoet aan de datafidelity als aan de fysische wetten (teleparallelle veldvergelijkingen).
Een robuust raamwerk te bieden voor het onderzoek naar de late-tijd evolutie van het universum in teleparallelle zwaartekracht, als alternatief voor parametrische reconstructiemethoden die kunnen lijden onder kernel-selectiebias of fysische inconsistentie.

De auteurs concluderen dat de PINN-benadering dient als een effectief, modelonafhankelijk instrument dat in staat is om zowel de expansiegeschiedenis als de gemodificeerde zwaartekrachtsfunctionele vormen te herstellen uit observationele datasets, wat de potentie van physics-informed machine learning in kosmologische reconstructie valideert.

Meer zoals dit