Learning Astrophysical Uncertainties in Dark Matter Direct Detection with Simulation-Based Inference

Nas profundezas do universo, a maior parte da matéria não é aquilo que podemos ver, tocar ou medir com ferramentas comuns. Ela é invisível, conhecida apenas pela forma como sua gravidade puxa estrelas e galáxias. Os cientistas chamam isso de matéria escura e, embora saibamos que ela compõe cerca de um quarto de tudo o que existe, não temos ideia do que é feita. Uma ideia principal sugere que ela consiste em partículas pesadas e de movimento lento que raramente colidem com a matéria normal. Se essas partículas existirem, elas devem ocasionalmente atingir os núcleos de átomos dentro de um detector na Terra, criando um minúsculo flash de luz e um pequeno sinal elétrico. Encontrar esse sinal tênue seria uma descoberta monumental, revelando a verdadeira natureza do universo escuro.

O desafio é que esses sinais são incrivelmente raros e facilmente confundidos com o ruído de fundo proveniente da radioatividade natural ou de outros raios cósmicos. Para encontrá-los, os cientistas utilizam enormes tanques de xenônio líquido, resfriados próximo ao zero absoluto, enterrados profundamente no subsolo para protegê-los da interferência cósmica. Quando uma partícula de matéria escura atinge um átomo de xenônio, ela produz dois sinais distintos: um flash de luz e uma explosão de elétrons. Ao medir a proporção entre esses dois sinais, os pesquisadores podem determinar se o evento foi causado por uma partícula de matéria escura ou por uma partícula comum de ruído de fundo. No entanto, o padrão exato desses sinais depende de quão rápido as partículas de matéria escura estão se movendo enquanto derivam através da nossa galáxia. Essa velocidade não é conhecida com perfeição, e diferentes suposições sobre a estrutura da galáxia podem alterar a aparência do sinal.

Em um novo estudo, os pesquisadores Felix Kahlhoefer e Niklas Reus, do Instituto de Tecnologia de Karlsruhe, na Alemanha, desenvolveram uma maneira inteligente de lidar com essa incerteza. Em vez de tentar calcular fórmulas matemáticas complexas para contabilizar cada possível variação na estrutura da galáxia, eles utilizaram um método chamado inferência baseada em simulação. Eles construíram um programa de computador que aprendeu a reconhecer a diferença entre um sinal de matéria escura e o ruído de fundo estudando milhões de exemplos simulados. Nessas simulações, o computador recebeu dados gerados sob muitas diferentes suposições sobre a velocidade com que as partículas de matéria escura estavam se movendo. Ao treinar com essa ampla variedade de cenários, o computador aprendeu a ignorar os detalhes específicos do movimento da galáxia e a focar apenas nas características centrais que indicam um impacto de matéria escura.

Os pesquisadores testaram essa abordagem usando um modelo do experimento XENONnT, um dos detectores de matéria escura mais sensíveis em operação atualmente. Eles criaram um gêmeo digital do detector, simulando como ele responderia a partículas de matéria escura de diferentes massas e forças de interação. Em seguida, treinaram uma rede neural, um tipo de inteligência artificial, para atuar como um classificador. Esta rede recebeu pares de dados: um conjunto onde o sinal de matéria escura estava presente e outro onde ele estava ausente. O objetivo era que a rede aprendesse uma regra que pudesse distinguir os dois, calculando efetivamente a probabilidade de que um conjunto específico de observações viesse de uma fonte de matéria escura em vez de um ruído aleatório.

O que torna este método particularmente poderoso é como ele lida com a velocidade desconhecida das partículas de matéria escura. Na análise tradicional, os cientistas muitas vezes precisam fixar a velocidade dessas partículas em um único valor padrão, o que pode levar a erros se esse valor estiver incorreto. Nesta nova abordagem, os pesquisadores simplesmente incluíram muitos modelos de velocidade diferentes nos dados de treinamento. O computador aprendeu a tratar a velocidade como uma variável que poderia ser qualquer coisa dentro de uma faixa razoável. Como resultado, quando a rede faz uma previsão, ela já considerou todas essas diferentes possibilidades. A incerteza sobre a estrutura da galáxia é efetivamente neutralizada pela média, deixando uma resposta clara sobre a própria matéria escura sem a necessidade de cálculos extras para cada novo dado.

O estudo mostrou que este método funciona de forma notável. Quando os pesquisadores testaram a rede treinada em dados simulados, obtiveram resultados que corresponderam às expectativas dos métodos estatísticos mais estabelecidos da área. A rede identificou com sucesso a massa correta e a força de interação das partículas de matéria escura nas simulações, mesmo quando os dados eram ruidosos ou quando as suposições subjacentes sobre a galáxia eram muito diferentes do modelo padrão. De fato, a rede teve um desempenho tão bom que pôde lidar com cenários extremos onde as suposições padrão estavam completamente erradas, ainda produzindo resultados confiáveis. Isso sugere que o método é robusto e pode se adaptar à realidade caótica do universo melhor do que as técnicas mais antigas.

Talvez o mais importante seja que os pesquisadores demonstraram que esta abordagem pode ser escalada facilmente. À medida que os experimentos se tornam mais sensíveis e investigam mais profundamente a "névoa de neutrinos" — um ruído de fundo de sinais de neutrinos solares que eventualmente obscurecerá o sinal da matéria escura — a necessidade de considerar incertezas mais complexas crescerá. Os métodos tradicionais teriam dificuldade com isso, exigindo quantidades massivas de poder computacional para reexecutar cálculos para cada nova variável. O método baseado em simulação, no entanto, lida com essa complexidade durante a fase de treinamento. Uma vez que a rede é treinada, ela pode analisar novos dados instantaneamente, independentemente de quantos modelos astrofísicos diferentes foram incluídos no treinamento. Isso torna o método uma ferramenta prática e eficiente para a próxima geração de buscas por matéria escura.

As descobertas confirmam que a inteligência artificial pode ser uma parceira vital na busca pela matéria escura, não substituindo a compreensão humana, mas lidando com o trabalho pesado das estatísticas complexas. Ao aprender com uma vasta biblioteca de universos simulados, o computador pode encontrar o sinal no ruído com uma clareza que iguala os melhores métodos desenhados por humanos. Isso não significa que a matéria escura foi encontrada; nenhum sinal desse tipo foi observado até agora. Mas significa que, quando o próximo experimento for ligado, os cientistas terão uma ferramenta mais nítida e flexível para interpretar os dados, pronta para distinguir uma descoberta real de um truque de luz, mesmo que a galáxia se comporte de maneiras que não esperávamos.