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

Decennialang hebben astronomen toegezien hoe het universum uitdijt met een steeds sneller tempo. Deze ontdekking, gedaan aan het eind van de jaren 1990, zette de langgevestigde overtuiging op zijn kop dat de zwaartekracht de kosmos zou moeten afremmen. Om deze versnelling te verklaren, stelden wetenschappers de existentie voor van een mysterieuze kracht genaamd donkere energie, die vaak wordt gemodelleerd als een constante energie die de lege ruimte vult. Deze standaardverklaring, bekend als het Lambda Cold Dark Matter-model, staat echter voor diepe theoretische puzzels. Het laat natuurkundigen zich afvragen waarom het universum juist nu versnelt, en het biedt geen fundamentele reden voor de specifieke sterkte van deze mysterieuze duw. Vanwege deze hiaten zijn onderzoekers begonnen te verkennen of de zwaartekracht zelf anders zou kunnen werken op de grootste schalen, waarbij de regels misschien veranderen naarmate het universum uitrekt. Een dergelijke idee is een theorie genaamd teleparallelle zwaartekracht, die de kracht van de zwaartekracht niet beschrijft als de kromming van de ruimte, maar als een draaiing, of torsie, van het weefsel van de kosmos.

Een team onderzoekers uit India heeft een frisse aanpak gehanteerd om deze ideeën te testen. In plaats van te gissen naar hoe de regels van deze draaiende zwaartekracht eruit zouden moeten zien, bouwden zij een computersysteem dat ontworpen is om de regels direct uit de data te leren. Zij combineerden twee enorme collecties astronomische waarnemingen: één die meet hoe snel het universum uitdijt op verschillende momenten in de geschiedenis, en een andere die de helderheid van exploderende sterren volgt om kosmische afstanden in kaart te brengen. Door deze data in een gespecialiseerd type kunstmatige intelligentie, bekend als een physics-informed neural network, te voeren, lieten de onderzoekers de computer de geschiedenis van de expansie van het universum reconstrueren, terwijl de wetten van de fysica strikt werden nageleefd. Het systeem nam geen specifieke vorm aan voor de zwaartekrachtkracht; het liet de waarnemingen simpelweg de vorm van de theorie leiden.

Het resultaat was een vloeiend, continu beeld van hoe het universum gedurende miljarden jaren is uitgebreid. Uit deze gereconstrueerde geschiedenis leidde het team de specifieke wiskundige vorm af van de draaiende zwaartekracht die vereist zou zijn om een dergelijke expansie te produceren. Vervolgens vereenvoudigden zij deze complexe, op data gebaseerde vorm tot een hanteerbare formule met behulp van een kubische polynoom, een type vergelijking dat kan buigen en draaien om complexe patronen te passen. Om te waarborgen dat hun bevindingen robuust waren, gebruikten zij geavanceerde statistische methoden om de meest waarschijnlijke waarden voor de getallen in deze vergelijking te berekenen en om het bereik van de onzekerheid in kaart te brengen. De analyse toonde aan dat het gereconstrueerde model goed past bij de observationele data en de geschiedenis van de expansie nauwgezet volgt over het gehele gemeten bereik van roodverschuivingen.

Wanneer de onderzoekers hun nieuwe, op data gebaseerde model vergeleken met de standaardtheorie van de zwaartekracht, waren de resultaten genuanceerd. Het standaardmodel, dat een constante kosmologische constante veronderstelt, bood nog steeds een iets betere statistische fit bij de data, omdat het minder aannames vereist om de waarnemingen te verklaren. Echter, het nieuwe model faalde niet; het bleef een levensvatbare beschrijving van het universum die op een vloeiende, systematische manier afweek van de standaardtheorie. De studie toonde aan dat milde veranderingen aan de wetten van de zwaartekracht nog steeds worden toegestaan door de huidige waarnemingen. De meest significante prestatie van dit werk was niet noodzakelijkerwijs het bewijzen dat het standaardmodel onjuist is, maar eerder het demonstreren van een krachtige nieuwe methode. Door deep learning te combineren met statistische analyse, creëerden de onderzoekers een flexibele pijplijn die zwaartekrachttheorieën direct uit de hemel kan reconstrueren, wat een manier biedt om gemodificeerde zwaartekrachttheorieën te testen tegen toekomstige, preciezere data zonder gevangen te zitten door vooraf ingestelde ideeën.