Constraining cubic and f(P) gravity models with linear regression using RANSAC and polynomial regression

Het universum dijt uit, een feit dat bijna een eeuw geleden werd vastgesteld toen astronomen merkten dat verre sterrenstelsels van ons af bewegen. Decennialang geloofden wetenschappers dat deze uitdijing uiteindelijk zou vertragen, teruggetrokken door de zwaartekracht van alle materie in het kosmos. Echter, waarnemingen in de late jaren 1990 onthulden een verbijsterende waarheid: het universum vertraagt niet; het versnelt juist. Om deze versnelling te verklaren, stelden natuurkundigen het bestaan voor van "donkere energie", een mysterieuze kracht die de ruimte uit elkaar duwt. Hoewel de standaardtheorie van de zwaartekracht, ontwikkeld door Albert Einstein, uitzonderlijk goed werkt voor het grootste deel van het universum, worstelt zij met het verklaren van deze kosmische versnelling zonder een beroep te doen op donkere energie. Dit heeft onderzoekers ertoe geleid om "gemodificeerde zwaarten" te verkennen, theorieën die de fundamentele wetten van hoe zwaartekracht werkt op de grootste schalen aanpassen, wat potentieel de noodzaak voor donkere energie volledig wegneemt. Twee dergelijke theorieën, bekend als kubische zwaartekracht en f(P)-zwaartekracht, suggereren dat de vergelijkingen die de ruimte en tijd beheersen complexer zijn dan voorheen gedacht, waarbij hogere-orde wiskundige termen betrokken zijn die pas significant worden in de enorme leegte van het kosmos.

Een team van onderzoekers van de GLA University in India heeft deze twee gemodificeerde zwaartekrachttheorieën onlangs onderworpen aan een rigoureuze test met behulp van moderne computationele hulpmiddelen. Hun doel was om te zien of deze complexe wiskundige modellen nauwkeurig konden voorspellen hoe de uitdijingssnelheid van het universum op verschillende punten in zijn geschiedenis varieert. Hiervoor maakten zij gebruik van een dataset die dertig specifieke metingen van de Hubble-parameter bevat, een waarde die aangeeft hoe snel het universum uitdijt op een bepaalde afstand. In plaats van uitsluitend te vertrouwen op traditionele statistische methoden, maakte het team gebruik van een reeks machine learning-technieken—computeralgoritmen die ontworpen zijn om patronen in gegevens te vinden. Ze trainden deze algoritmen op een deel van de data en vroegen hen vervolgens de uitdijingssnelheden voor de resterende punten te voorspellen. De onderzoekers vergeleken de voorspellingen van de machine learning-modellen met de werkelijke observationele gegevens en de voorspellingen van de theoretische zwaartekrachtmodellen zelf.

De studie richtte zich op vier specifieke machine learning-benaderingen: standaard lineaire regressie, dat zoekt naar rechte lijnrelaties; kunstmatige neurale netwerken, die de manier nabootsen waarop het menselijk brein informatie verwerkt; lineaire regressie met RANSAC, een methode die is ontworpen om uitschieters of "slechte" datapunten te negeren; en polynomiale regressie, dat zoekt naar gebogen, niet-lineaire relaties. De onderzoekers ontdekten dat de relatie tussen de afstand van sterrenstelsels en hun expansiesnelheid geen eenvoudige rechte lijn is, maar een curve. Dit maakte de polynomiale regressietechniek bijzonder effectief. Wanneer het team mat hoe nauw de machine learning-voorspellingen overeenkwamen met de echte wereldobservaties, gebruikten zij een metriek genaamd "alfa-deviatie", waarbij een lager getal wijst op een betere fit. De resultaten toonden aan dat de polynomiale regressietechniek uitzonderlijk goed presteerde, met waarden die bijna identiek waren aan de theoretische voorspellingen van de kubische en f(P)-zwaartekrachtmodellen. Sterker nog, de polynomiale regressie presteerde beter dan de andere machine learning-methoden, inclusief de neurale netwerken en de lineaire regressie met RANSAC, in het vastleggen van het subtiele, niet-lineaire gedrag van de uitdijing van het universum.

Een van de meest significante bevindingen was dat de machine learning-modellen niet simpelweg gokten; ze bevestigden de geldigheid van de theoretische kaders. Het polynomiale regressiemodel produceerde een alfa-deviatie van 0,1362 voor zowel de kubische als de f(P)-zwaartekracht, een cijfer dat opmerkelijk dicht bij de theoretische waarde van 0,1360 voor kubische zwaartekracht en 0,1362 voor f(P)-zwaartekracht ligt. Dit suggereert dat de complexe vergelijkingen voorgesteld door deze gemodificeerde zwaartekrachttheorieën consistent zijn met de werkelijke gegevens die we aan de hemel observeren. Terwijl de standaard lineaire regressiemethode moeite had omdat zij probeerde een rechte lijn op een kromme realiteit te dwingen, navigeerde de polynomiale regressie succesvol door de kromming van de data. De studie merkte ook op dat de lineaire regressie met RANSAC, die is ontworpen om met rommelige data om te gaan, beter presteerde dan de standaard lineaire regressie, maar nog steeds de precisie van de polynomiale benadering niet evenaarde.

De onderzoekers concluderen dat deze geavanceerde machine learning-technieken krachtige instrumenten zijn om de grenzen van ons begrip van zwaartekracht te testen. Door polynomiale regressie te gebruiken, waren zij in staat aan te tonen dat de kubische en f(P)-zwaartekrachtmodellen robuust zijn en in staat zijn om de versnelling van het universum te beschrijven zonder noodzakelijkerwijs de introductie van donkere energie te vereisen. De studie beweert niet het mysterie van donkere energie te hebben opgelost of te hebben bewezen dat deze gemodificeerde theorieën het definitieve antwoord zijn, maar het biedt wel sterk bewijs dat deze specifieke wiskundige modellen goed overeenstemmen met de observationele gegevens. De auteurs suggereren dat toekomstig werk zich moet richten op grotere datasets en de exploratie van andere kosmologische modellen met nog geavanceerdere machine learning-technieken. Voor nu biedt dit onderzoek een heldere demonstratie dat wanneer het universum zich op een kromme, complexe manier gedraagt, het juiste soort wiskundige curve-fitting de onderliggende wetten van de natuur met verrassende helderheid kan onthullen.