A Graph Attention Network Framework for Simultaneous Prediction of Galaxy and Dark Matter Halo Properties in GAMA DR4

Nas profundezas do cosmos, um andaime invisível mantém o universo visível unido. Essa estrutura invisível é feita de matéria escura, uma substância misteriosa que não emite luz, mas exerce uma poderosa atração gravitacional. Os astrônomos sabem que ela existe porque as galáxias giram rápido demais para serem mantidas unidas apenas pelas estrelas e pelo gás que podemos ver. Essas galáxias vivem dentro de vastas nuvens esféricas dessa matéria escura, conhecidas como halos. Compreender a relação entre uma galáxia e sua casa de matéria escura é crucial para mapear a história do universo, mas medir a massa desses halos invisíveis diretamente é incrivelmente difícil. Os cientistas há muito dependem de simulações computacionais complexas ou métodos indiretos que frequentemente ignoram a realidade desordenada e interconectada de como as galáxias realmente se situam no espaço.

Uma equipe de pesquisadores do Instituto Indiano de Tecnologia de Patna desenvolveu uma nova maneira de resolver esse quebra-cabeça usando um tipo de inteligência artificial projetada para entender relacionamentos. Em vez de tratar cada galáxia como uma ilha isolada, eles construíram um mapa digital onde cada galáxia é um ponto conectado aos seus vizinhos, muito parecido com uma rede social onde a força de uma conexão depende da proximidade física e do pertencimento a um grupo compartilhado. Eles treinaram este sistema, que chamam de GAMANet, com uma vasta coleção de observações reais do levantamento GAMA, um projeto que catalogou meticulosamente centenas de milhares de galáxias. Ao alimentar a IA com dados sobre a luz, cor, tamanho e movimento de quase 20.000 galáxias, o modelo aprendeu a prever três propriedades fundamentais simultaneamente: a massa das estrelas da galáxia, a rapidez com que ela está formando novas estrelas e a massa total do halo de matéria escura invisível que a rodeia.

Os pesquisadores não olharam apenas para galáxias individuais; eles ensinaram o computador a prestar atenção ao bairro. Em seu sistema, uma galáxia não é apenas uma coleção de suas próprias características, mas um nó em uma teia de conexões. A IA aprendeu que uma galáxia central massiva em um aglomerado pode conter mais informações sobre a matéria escura local do que uma pequena e solitária galáxia satélite. Para lidar com isso, eles usaram um tipo específico de rede neural que atribui diferentes níveis de importância a cada vizinho, decidindo efetivamente quais galáxias próximas são mais relevantes para fazer uma previsão. Essa abordagem permitiu que o modelo capturasse os sutis efeitos ambientais que influenciam como as galáxias evoluem, como o fato de fazerem parte de um grupo apertado ou estarem flutuando no espaço aberto.

Quando testado em dados que nunca havia visto antes, o modelo apresentou um desempenho com uma precisão notável. Ele previu a massa dos halos de matéria escura com um alto grau de precisão, capturando mais de 95 por cento das variações nos dados. Foi ainda mais preciso ao prever a massa das estrelas dentro das galáxias e a taxa com que elas estão formando novas estrelas. Esses resultados são significativos porque o modelo foi treinado inteiramente em dados observacionais reais do céu, em vez de em universos simulados criados por computadores. Isso significa que as descobertas refletem a complexidade real do universo, incluindo as imperfeições e incertezas inerentes às medições do mundo real. O estudo sugere que a massa de um halo de matéria escura é fundamentalmente uma propriedade de nível de grupo, o que significa que, para entender o peso oculto de uma galáxia, deve-se olhar para toda a família de galáxias à qual ela pertence, e não apenas para a própria galáxia.

O sucesso deste método destaca uma mudança na forma como os astrônomos abordam o Big Data. Ao representar o universo como um grafo onde as relações são tão importantes quanto os próprios objetos, os pesquisadores foram capazes de extrair informações que os métodos tradicionais frequentemente perdem. A análise interna do modelo mostrou que ele aprendeu a distinguir diferentes tipos de galáxias, separando aquelas com estrelas mais velhas e avermelhadas daquelas com estrelas mais jovens e azuladas, puramente com base nos padrões dos dados. O modelo até pareceu inferir detalhes sobre o movimento das estrelas dentro das galáxias, uma propriedade para a qual nunca foi explicitamente instruído a procurar, simplesmente analisando o ambiente circundante. Embora o sistema atual exija que todo o conjunto de dados seja carregado na memória de uma só vez, limitando seu uso imediato para futuros e massivos levantamentos, o trabalho prova que o aprendizado baseado em grafos é uma ferramenta poderosa para decifrar a teia cósmica. Ele oferece um novo caminho direto para compreender a arquitetura invisível que molda o universo visível, transformando uma coleção caótica de estrelas em uma história coerente de estrutura cósmica.