🔬 physics

Reconstructing f(T) Gravity from Observational Hubble Data: A PINN Approach

Este estudo emprega uma Rede Neural Informada pela Física (PINN) para reconstruir não parametricamente o parâmetro de Hubble a partir de dados observacionais e, subsequentemente, derivar a correspondente função da gravidade f(T), demonstrando um arcabouço robusto e orientado por dados que se alinha ao modelo cosmológico padrão ΛCDM.

Autores originais: RAVI KANT MISHRA, Priya Awasthi

Publicado 2026-09-09

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: RAVI KANT MISHRA, Priya Awasthi

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O universo está em expansão, e o faz a um ritmo acelerado. Esta descoberta, confirmada por décadas de observações que vão desde a luz de estrelas distantes em explosão até o tênue brilho residual do Big Bang, destaca-se como um dos fatos mais profundos da cosmologia moderna. Para explicar essa aceleração, os cientistas tradicionalmente confiaram em um modelo padrão que inclui uma força misteriosa chamada energia escura, que afasta as galáxias. No entanto, esta explicação traz significativos problemas teóricos, levando muitos pesquisadores a questionar se a própria gravidade pode se comportar de maneira diferente nas maiores escalas do que entendemos atualmente. Em vez de adicionar uma nova substância invisível ao inventário cósmico, alguns físicos propõem que as regras da gravidade precisam de um pequeno ajuste. Um desses ajustes envolve uma teoria chamada gravidade teleparalela, que descreve a força não como a curvatura do espaço e do tempo, mas como uma torção ou torção do tecido do universo. Se este torcer for o verdadeiro motor da aceleração cósmica, então a função matemática que o descreve deve ser dedutível diretamente de quão rápido o universo está se expandindo em diferentes pontos de sua história.

Uma equipe de pesquisadores do Instituto de Engenharia e Tecnologia Sant Longowal, na Índia, adotou uma abordagem inovadora para este problema, utilizando um tipo de inteligência artificial para ler a história do universo diretamente dos dados observacionais. Em vez de adivinhar uma fórmula matemática específica para como a gravidade poderia mudar, eles empregaram um sistema conhecido como Rede Neural Informada pela Física (Physics-Informed Neural Network). Este é um programa de computador projetado para aprender padrões a partir de medições do mundo real enquanto obedece simultaneamente às leis fundamentais da física. Os pesquisadores alimentaram a rede com dados sobre a taxa de expansão do universo em várias distâncias, conhecidas como desvios para o vermelho (redshifts), e pediram ao sistema que reconstruísse toda a história da expansão sem assumir um modelo pré-estabelecido. A rede foi treinada para garantir que suas previsões coincidissem com as medições reais e também satisfizessem as equações físicas que regem como o universo deve se comportar. O resultado foi um mapa suave e confiável da expansão cósmica que não dependeu de quaisquer noções preconcebidas de como o universo deveria ser.

A partir desta história de expansão reconstruída, a equipe foi capaz de trabalhar de trás para frente para determinar o comportamento do escalar de torção, a quantidade específica que mede o torcer do espaço-tempo nesta teoria de gravidade alternativa. Ao analisar como este torcer mudou ao longo do tempo, eles foram capazes de derivar a função matemática específica que descreve a gravidade modificada, efetivamente fazendo engenharia reversa das leis do universo a partir dos próprios dados. O estudo descobriu que a história da expansão derivada pela inteligência artificial alinha-se notavelmente bem com o modelo cosmológico padrão, particularmente em distâncias menores, onde os dados são mais abundantes. O modelo reconstruído sug o que o universo está atualmente se expandindo a uma taxa de aproximadamente 70,1 quilômetros por segundo por megaparsec, com a matéria compondo cerca de 26 por cento do orçamento total de energia cósmica. Esses valores encaixam-se confortavelmente dentro das faixas esperadas pelo modelo padrão, sugerindo que, embora o universo possa ser governado por uma regra geométrica ligeiramente diferente, ele ainda se parece muito com o que já conhecemos.

Os pesquisadores também examinaram a estabilidade de suas descobertas, testando como o modelo reagia a pequenas mudanças em suas configurações internas e analisando os erros entre suas previsões e os dados reais. O sistema provou ser altamente estável, com os erros agrupando-se firmemente em torno de zero, indicando que a inteligência artificial não superestimou nem subestimou sistematicamente a taxa de expansão. A função derivada que descreve a gravidade modificada pôde ser representada com precisão por um polinômio cúbico simples, um tipo de curva que se ajusta aos dados com um grau de precisão extremamente alto. Isso sugere que o comportamento complexo da expansão do universo pode ser capturado por uma relação matemática relativamente direta, mesmo sem assumir essa relação antecipadamente. O estudo demonstra que o aprendizado de máquina, quando guiado pelas leis da física, pode servir como uma ferramenta poderosa para descobrir a mecânica subjacente do cosmos diretamente da observação, oferecendo uma nova maneira de testar se nossa compreensão atual da gravidade está completa ou se um sutil torcer na geometria do espaço é a chave para o destino acelerado do universo.

Resumo Técnico: Reconstrução da Gravidade $f(T)$ a partir de Dados de Hubble Observacionais via PINN

Problema
A aceleração da expansão do universo, confirmada por Supernovas do Tipo Ia, CMB, BAO e Dados de Hubble Observacionais (OHD), apresenta um desafio fundamental dentro da Relatividade Geral, frequentemente atribuído à energia escura ou à constante cosmológica ( $\Lambda$ ). Embora o modelo padrão $\Lambda$ CDM se ajuste bem às observações, ele enfrenta problemas teóricos, como o problema da coincidência e a tensão de Hubble. Teorias de gravidade modificada, especificamente a gravidade $f(T)$ (uma extensão da Gravidade Teleparalela onde o escalar de torção $T$ é generalizado para uma função arbitrária $f(T)$ ), oferecem uma explicação geométrica alternativa para a aceleração cósmica sem invocar a energia escura.

Existe uma lacuna crítica na reconstrução da forma funcional específica de $f(T)$ diretamente dos dados sem assumir um modelo paramétrico predefinido (por exemplo, linear ou de lei de potência). Métodos não paramétricos tradicionais, como a Regressão de Processos Gaussianos, dependem de suposições de kernel que podem introduzir viés, enquanto Redes Neurais Artificiais (ANNs) padrão podem produzir soluções que violam leis físicas. Este estudo aborda a necessidade de uma reconstrução não paramétrica e fisicamente consistente da história da expansão cósmica e da subsequente derivação da função $f(T)$ .

Metodologia
Os autores empregam uma estrutura de Rede Neural Informada pela Física (PINN) para reconstruir o parâmetro de Hubble $H(z)$ diretamente de OHD. A metodologia integra dados observacionais com as equações físicas regentes da gravidade teleparalela.

Fonte de Dados: A rede é treinada em um conjunto de dados de 31 pontos de dados de Hubble observacionais abrangendo redshifts $z \in [0.07, 2.36]$ (Tabela 1).
Arquitetura da Rede: Uma rede neural feed-forward com um neurônio de entrada (redshift $z$ ), duas camadas ocultas (8 neurônios cada) usando funções de ativação tangente hiperbólica e um neurônio de saída ( $H(z)$ ).
Construção da Função de Perda: O treinamento minimiza uma função de perda composta ( $L_{total}$ $L_{t o t a l}$ ) que compreende:
- Perda de Dados ( $L_{data}$ ): A diferença $\chi^2$ entre o $H(z)$ previsto e os dados observacionais.
- Perda de Física ( $L_{phy}$ ): Impõe a relação entre o parâmetro de desaceleração $q(z)$ e $H(z)$ , penalizando especificamente desvios da definição física $q(z) = -1 + (1+z)\frac{H'(z)}{H(z)}$ .
- Perda de Monotonicidade ( $L_{mono}$ ): Garante que $H(z)$ se comporte monotonicamente (não crescente com o redshift) para evitar oscilações não físicas.
- Perda de Fronteira ( $L_0$ ): Restringe o parâmetro de Hubble no tempo presente $H_0$ .
- Perda de Clipping ( $L_{clip}$ ): Mantém a estabilidade numérica confinando as previsões a intervalos fisicamente aceitáveis.
Otimização: A rede é treinada usando o otimizador Adam com taxas de aprendizado adaptativas e momento.
Cadeia de Reconstrução:
- A PINN treinada fornece um $H(z)$ suave e não paramétrico.
- Usando a relação da métrica FLRW na gravidade teleparalela, $T = -6H(z)^2$ , o escalar de torção $T(z)$ é derivado.
- As equações de campo para a gravidade $f(T)$ são utilizadas para integrar numericamente e reconstruir a função $f(T)$ sem assumir uma forma analítica.
- A $f(T)$ numérica resultante é aproximada por um polinômio cúbico para comparação analítica.

Principais Resultados

Reconstrução do Parâmetro de Hubble: A PINN reconstrói com sucesso o $H(z)$ através da faixa de redshift observada. A reconstrução alinha-se de perto com o modelo padrão $\Lambda$ CDM, particularmente em redshifts baixos e intermediários. A maioria dos pontos de dados observacionais cai dentro das bandas de confiança de $1\sigma$ e $2\sigma$ da previsão da PINN.
História da Expansão Cósmica: O parâmetro de desaceleração $q(z)$ reconstruído indica uma transição de desaceleração para aceleração em $z_t \approx 0.6$ , consistente com o entendimento cosmológico atual.
Função $f(T)$ : A reconstrução independente de modelo de $f(T)$ demonstra uma dependência suave e estável em relação ao escalar de torção $T$ . A reconstrução numérica é bem aproximada por um polinômio cúbico ( $f(T) = aT^3 + bT^2 + cT + d$ ) com um coeficiente de determinação $R^2 = 0.999996$ e um RMSE de $1.7488 \times 10^2$ .
Restrição de Parâmetros: Uma análise de verossimilhança baseada em $\chi^2$ no plano $(\Omega_m, H_0)$ produz valores de melhor ajuste de $H_0 \approx 70.1 \text{ km s}^{-1} \text{ Mpc}^{-1}$ e $\Omega_m \approx 0.26$ . Os contornos de confiança mostram uma correlação negativa entre esses parâmetros, consistente com as degenerescências cosmológicas padrão.
Convergência e Estabilidade: A análise do panorama de perda revela uma estrutura de bacia suave, com um único mínimo bem definido, indicando que a solução treinada é estável e robusta contra perturbações de peso. A análise de resíduos confirma que o modelo é globalmente não enviesado, com erros centrados em zero.

Significância e Alegações
O artigo afirma estabelecer uma ligação direta e baseada em dados entre a cosmologia observacional e a gravidade teleparalela modificada. Ao utilizar PINNs, o estudo demonstra que é possível:

Reconstruir a história da expansão cósmica sem assumir uma parametrização cosmológica específica.
Derivar a função de gravidade $f(T)$ subjacente diretamente das restrições observacionais, garantindo que a solução satisfaça tanto a fidelidade aos dados quanto as leis físicas (equações de campo teleparalelas).
Fornecer um arcabouço robusto para investigar a evolução tardia do universo na gravidade teleparalela, oferecendo uma alternativa aos métodos de reconstrução paramétrica que podem sofrer de viés de seleção de kernel ou inconsistência física.

Os autores concluem que a abordagem PINN serve como uma ferramenta eficaz e independente de modelo, capaz de recuperar tanto a história da expansão quanto as formas funcionais da gravidade modificada a partir de conjuntos de dados observacionais, validando o potencial do aprendizado de máquina informado pela física na reconstrução cosmológica.

Mais como este