$\texttt{SBi3PCF:}$ Simulation-based inference with the integrated 3PCF

Imagine o universo como um gigante e invisível oceano de matéria, estendendo-se desde o Big Bang até hoje. A maior parte deste oceano é feita de "matéria escura", uma substância misteriosa que não podemos ver diretamente, mas sabemos que está lá porque possui gravidade. Quando a luz de galáxias distantes viaja através deste oceano cósmico, a gravidade da matéria escura age como um espelho de parque de diversões, esticando e retorcendo levemente as formas dessas galáxias. Este fenômeno é chamado de "lente gravitacional fraca". Ao medir essas distorções minúsculas nas formas de bilhões de galáxias, os astrônomos podem mapear a matéria escura invisível e descobrir as regras que governam como o universo cresce e se expande.

Por muito tempo, os cientistas têm observado este espelho cósmico usando ferramentas simples, como medir o quanto as formas de pares de galáxias estão correlacionadas. Isso é como olhar para as ondulações em um lago para adivinhar a velocidade do vento. Mas o universo é bagunçado e complexo, e essas medições simples contam apenas parte da história. Elas perdem os segredos de "ordem superior" — os padrões complexos e não lineares que acontecem quando três ou mais galáxias interagem de uma forma específica. Para desbloquear esses segredos, os cientistas precisam observar formas mais complicadas, como triângulos formados por três galáxias, em vez de apenas pares. No entanto, esses padrões complexos são notoriamente difíceis de prever com a matemática padrão porque o comportamento do universo torna-se selvagem demais e imprevisível para lidar com fórmulas simples.

É aqui que entra o artigo. Os autores, liderados por David Gebauer e Anik Halder, construíram uma nova ferramenta digital chamada SBi3PCF para decifrar esse código. Em vez de tentar forçar o universo em uma caixa matemática simples, eles decidiram deixar o universo ensinar as regras a eles, executando simulações computacionais massivas e realistas. Pense nisso como tentar aprender a assar o bolo perfeito. Em vez de apenas ler uma receita (o antigo método matemático), eles assaram milhares de bolos em uma cozinha virtual, mudando levemente os ingredientes a cada vez, e então usaram uma IA superinteligente para aprender exatamente como os ingredientes afetam o sabor final.

Em seu estudo, eles simularam o campo de cisalhamento cósmico (cosmic shear field) — o padrão de formas distorcidas das galáxias — usando um conjunto poderoso de simulações chamado CosmoGridV1. Eles não simularam apenas a matéria escura; eles incluíram todos os "efeitos sistemáticos" do mundo real que tornam as observações reais complicadas, como erros na medição de distâncias de galáxias, a influência da matéria normal (bárions) se aglomerando e o ruído aleatório das formas das galáxias. Eles então usaram uma técnica chamada Inferência Baseada em Simulação (SBI - Simulation-Based Inference) com uma rede neural (um tipo de IA) para aprender a relação entre os parâmetros da simulação e os dados resultantes.

A equipe focou em uma estatística específica e complexa chamada função de correlação de 3 pontos integrada (i3PCF). Você pode pensar na medição padrão de "2 pontos" como verificar como duas galáxias estão relacionadas, enquanto a medição de "3 pontos" verifica como um trio de galáxias se relaciona entre si. A i3PCF é uma maneira inteligente de medir essas relações de trio sem precisar reconstruir todo o mapa invisível do universo primeiro.

Eis o que eles descobriram:

• O Mito Gaussiano: Por muito tempo, os cientistas assumiram que o "ruído" estatístico em seus dados seguia uma curva de sino suave e agradável (uma distribuição Gaussiana). Os autores testaram isso e descobriram que, embora os dados simples de "2 pontos" se ajustem bem a essa curva de sino, os dados combinados incluindo as medições complexas de "3 pontos" (i3PCF) não se ajustam. A distribuição torna-se enviesada e estranha, especialmente para escalas maiores. Isso significa que os antigos métodos matemáticos que dependem da curva de sino forneceriam resultados imprecisos para esses novos dados. A abordagem de IA deles, no entanto, não se importa com o formato da curva; ela aprende a distribuição real e bagunçada diretamente das simulações.
• Distrações Irrelevantes: Eles verificaram se dois efeitos específicos — o agrupamento de galáxias de origem (source galaxy clustering, onde as galáxias de fundo não são perfeitamente aleatórias) e o cisalhamento reduzido (reduced shear, uma correção sutil na forma como medimos a distorção) — estragariam suas medições. Eles descobriram que, para a escala das pesquisas atuais (como o Dark Energy Survey Year 3), esses efeitos são tão minúsculos que podem ser ignorados com segurança. O sinal da matéria escura é muito mais forte do que esses pequenos problemas.
• Um Grande Impulso na Precisão: Quando aplicaram seu novo fluxo de trabalho de IA a dados simulados (observações simuladas que se parecem com as reais), adicionar a i3PCF às medições padrão fez uma grande diferença. Isso melhorou a precisão de suas restrições cosmológicas em uma mediana de 63,8%. Especificamente, ajudou a definir melhor os valores da densidade de matéria ($\Omega_m$), da aglomeração de matéria ($\sigma_8$) e da equação de estado da energia escura ($w_0$) do que antes. A melhoria foi mais dramática para $\sigma_8$, onde a incerteza diminuiu cerca de 31,0%.

O artigo conclui que este novo framework, SBi3PCF, é uma forma robusta e precisa de analisar esses padrões cósmicos complexos. Ele prova que, ao usar simulações e IA para contornar a necessidade de fórmulas matemáticas perfeitas, os cientistas podem extrair significativamente mais informações de seus sinais de lente gravitacional fraca. Isso abre caminho para que futuras pesquisas ainda maiores (como as da missão Euclid e do Observatório Vera C. Rubin) utilizem essas estatísticas de ordem superior para resolver os maiores mistérios do cosmos, tudo isso levando em conta a realidade bagunçada de como observamos o universo.