Joint reconstruction of $H(z)$ and $f\sigma_8(z)$ with physics informed neural networks

Resumo Técnico: Reconstrução Conjunta de $H(z)$ e $f\sigma_8(z)$ com Redes Neurais Informadas pela Física

Enunciado do Problema
As observações cosmológicas atuais apresentam duas tensões persistentes: a tensão $H_0$ (discrepância entre as medições locais da escala de distância $\approx 73$ km s$^{-1}$ Mpc$^{-1}$ e os valores derivados do CMB $\approx 67$ km s$^{-1}$ Mpc$^{-1}$) e a tensão $\sigma_8$ (ou $S_8$) (pesquisas de lentes gravitacionais fracas de galáxias indicando uma flutuação de matéria menos intensa do que o previsto pelo $\Lambda$CDM). Trabalhos anteriores reconstruíram o parâmetro de Hubble $H(z)$ e a taxa de crescimento $f\sigma_8(z)$ de forma independente usando processos gaussianos ou Redes Neurais Artificiais (ANNs) padrão, mas esses métodos tratam os dois observáveis como estatisticamente independentes. Essa abordagem descarta o acoplamento físico conhecido entre expansão e crescimento ditado pela Relatividade Geral (GR). Especificamente, a equação de crescimento linear vincula $H(z)$ e $f\sigma_8(z)$; ignorar esse vínculo durante a reconstrução impede que os dados condicionem a história do crescimento através da história da expansão e vice-versa.

Metodologia
Os autores propõem um framework de prova de conceito usando Redes Neurais Informadas pela Física (PINNs) para reconstruir conjuntamente $H(z)$ e $f\sigma_8(z)$ sem assumir uma equação de estado específica para a energia escura.

• Arquitetura: O modelo emprega uma rede de cabeça dupla com um backbone compartilhado. A entrada é o desvio para o vermelho $z$ (reescalonado para $[-1, 1]$), processado através de três camadas ocultas de largura 512 usando funções de ativação ELU (escolhidas pela diferenciabilidade infinita). A rede ramifica-se em duas cabeças de saída independentes: uma para $H(z)$ e outra para $f\sigma_8(z)$. As ativações de saída impõem limites físicos (positividade para $H(z)$ via softplus; um intervalo de $(0,1, 0,9)$ para $f\sigma_8(z)$ via sigmoide).
• Perda de Física: A inovação central é a inclusão de um termo de perda de física, $\mathcal{L}_{physics}$, derivado da ODE de crescimento linear da GR:
  $$\frac{df}{d \ln a} + f^2 + \left[ 2 + \frac{1}{2} \frac{d \ln H^2}{d \ln a} \right] f = \frac{3}{2} \Omega_m(a)$$
  onde $f = f\sigma_8 / \sigma_{8,0}$ e $\Omega_m(a) = \Omega_{m,0}(1+z)^3 H_0^2 / H^2(z)$. As derivadas necessárias para esta equação são computadas exatamente via diferenciação automática através do grafo de computação da rede, evitando erros de discretização numérica.
• Perda Total: O objetivo de treinamento minimiza uma soma ponderada: $\mathcal{L}_{total} = \mathcal{L}_{data,H} + \mathcal{L}_{data,f\sigma_8} + \lambda \mathcal{L}_{physics}$. O escalar $\lambda$ controla o equilíbrio entre o ajuste aos dados e a satisfação da equação física.
• Dados e Treinamento: A rede é treinada em 50 medições de $H(z)$ (32 Cronômetros Cósmicos, 18 BAO) e 63 medições de $f\sigma_8(z)$ (Distorções de Espaço de Redshift). Um ensemble de 100 redes treinadas com sementes independentes é utilizado para quantificar a incerteza. O estudo testa quatro valores de $\lambda \in \{0, 0.01, 0.1, 1.0\}$ e ancora a normalização de $H_0$ usando dois priors locais: SH0ES ($73.04 \pm 1.04$) e Local Distance Network ($73.50 \pm 0.81$).

Principais Contribuições

1. Primeira Reconstrução Conjunta via PINN: Este trabalho representa, tanto quanto aos autores sabem, o primeiro uso de uma arquitetura de múltiplas cabeças informada pela física para modelar conjuntamente a história da expansão e o crescimento linear da estrutura sob uma restrição física compartilhada (a ODE de crescimento da GR) durante o treinamento, em vez de como uma verificação de consistência post-hoc.
2. Diferenciação Automática para Cosmologia: O método demonstra a utilidade da diferenciação automática na reconstrução cosmológica para computar derivadas exatas das saídas da rede para o resíduo da ODE, eliminando a necessidade de malhas espaciais ou aproximações de diferença finita.
3. Eficácia do Acoplamento: O estudo estabelece que o acoplamento dos dois observáveis via equação de crescimento é viável e benéfico, reduzindo a dispersão do ensemble e garantindo consistência dinâmica.

Resultados

• Acoplamento Ótimo: Um peso de acoplamento de $\lambda = 0.1$ é identificado como o equilíbrio ideal entre o ajuste aos dados e a consistência física. Neste valor, a perda de física e as perdas de dados convergem para magnitudes comparáveis, impedindo que qualquer termo domine o gradiente.
• Ancoragem de $H_0$: Sem um prior explícito de $H_0$, a rede recupera um $H_0$ baixo e enviesado ($46\text{--}52$ km s$^{-1}$ Mpc$^{-1}$). Quando ancorada a um dos priors SH0ES ou Local Distance Network, a rede recupera $H_0$ exatamente no valor do prior. Os dois priors diferentes produzem reconstruções de $f\sigma_8(z)$ indistinguíveis, demonstrando robustez ao valor de tensão de $H_0$ adotado.
• Tensão de Crescimento: O $f\sigma_8(z)$ reconstruído situa-se sistematicamente abaixo da previsão $\Lambda$CDM+GR em todos os redshifts, com o maior desvio em torno de $z \sim 0.4\text{--}1.0$. Isso é consistente com a tensão $\sigma_8$. O acoplamento não remove este sinal; em vez disso, impede que a cabeça de crescimento absorva a tensão como ruído.
• Testes Nulos:
  • $Om(z)$: O teste nulo mostra um afastamento acentuado da expectativa de $\Lambda$CDM plano (um perfil não plano) em baixos redshifts, incluindo um mergulho negativo em $z \lesssim 0.2$ (atribuído a dados esparsos de Cronômetros Cósmicos e artefatos de reconstrução) e um excesso em redshifts intermediários.
  • $Om_{f\sigma_8}(z)$: Este diagnóstico confirma o crescimento suprimido em relação ao $\Lambda$CDM, consistente com reconstruções ANN independentes encontradas em literatura prévia (Ref. [9]).
• Sistemáticas: Os autores observam que os valores fiduciais de $\Omega_{m,0}=0.3$ e $\sigma_{8,0}=0.8$ estão codificados de forma fixa (hardcoded). A incerteza sistemática dessas escolhas domina a dispersão estatística do ensemble. Além disso, 18 pontos de dados de BAO herdam o horizonte de som do Planck 2018, introduzindo uma dependência de modelo no setor da expansão.

Significância e Alegações
O artigo afirma estabelecer uma prova de conceito de que o acoplamento de $H(z)$ e $f\sigma_8(z)$ através da equação de crescimento da GR durante o treinamento é tanto viável quanto benéfico. A principal significância reside na demonstração de que:

1. A reconstrução é robusta à escolha entre duas determinações locais concorrentes de $H_0$.
2. O acoplamento físico atua como um regularizador motivado pela física, produzindo reconstruções mais suaves e reduzindo a incerteza do ensemble sem impor um modelo específico de energia escura.
3. O método recupera com sucesso o sinal da tensão $\sigma_8$ (crescimento suprimido) mesmo quando restringido por valores locais de $H_0$, sugerindo que a tensão é uma característica robusta dos dados e não um artefato do método de reconstrução.

Os autores declaram explicitamente modéstia em relação às suas alegações: eles não afirmam uma detecção estatisticamente significativa de nova física, pois a dispersão do ensemble é impulsionada pela sensibilidade à inicialização e não pelo reamostragem do ruído dos dados, e as incertezas completas da posteriori não são propagadas. Eles identificam os parâmetros fiduciais fixos ($\Omega_{m,0}, \sigma_{8,0}$) e a falta de correções de Alcock-Paczynski para levantamentos individuais como limitações a serem abordadas em trabalhos futuros.