Constraining cubic and f(P) gravity models with linear regression using RANSAC and polynomial regression

O universo está em expansão, um fato estabelecido há quase um século, quando os astrônomos notaram que galáxias distantes estão se afastando de nós. Por décadas, os cientistas acreditaram que essa expansão acabaria desacelerando, puxada de volta pela gravidade de toda a matéria no cosmos. No entanto, observações no final da década de 1990 revelaram uma verdade surpreendente: o universo não está desacelerando; ele está acelerando. Para explicar essa aceleração, os físicos propuseram a existência da "energia escura", uma força misteriosa que empurra o espaço para longe. Embora a teoria padrão da gravidade, desenvolvida por Albert Einstein, funcione excepcionalmente bem para a maior parte do universo, ela tem dificuldade em explicar essa aceleração cósmica sem invocar a energia escura. Isso levou pesquisadores a explorar a "gravidade modificada", teorias que ajustam as leis fundamentais de como a gravidade funciona nas maiores escalas, potencialmente removendo a necessidade da energia escura inteiramente. Duas dessas teorias, conhecidas como gravidade cúbica e gravidade f(P), sugerem que as equações que governam o espaço e o tempo são mais complexas do que se pensava anteriormente, envolvendo termos matemáticos de ordem superior que se tornam significativos apenas no vasto vazio do cosmos.

Uma equipe de pesquisadores da GLA University, na Índia, submeteu recentemente essas duas teorias de gravidade modificada a um teste rigoroso usando ferramentas computacionais modernas. O objetivo deles era ver se esses modelos matemáticos complexos poderiam prever com precisão a taxa de expansão do universo em diferentes pontos de sua história. Para fazer isso, eles recorreram a um conjunto de dados contendo trinta medições específicas do parâmetro de Hubble, um valor que nos diz o quão rápido o universo está se expandindo a uma determinada distância. Em vez de confiar apenas em métodos estatísticos tradicionais, a equipe empregou um conjunto de técnicas de aprendizado de máquina — algoritmos de computador projetados para encontrar padrões em dados. Eles treinaram esses algoritmos em uma parte dos dados e depois pediram que previssem as taxas de expansão para os pontos restantes. Os pesquisadores compararam as previsões feitas pelos modelos de aprendizado de máquina contra os dados observacionais reais e as previsões feitas pelos próprios modelos teóricos de gravidade.

O estudo focou em quatro abordagens específicas de aprendizado de máquina: regressão linear padrão, que busca relações de linha reta; redes neurais artificiais, que imitam a maneira como o cérebro humano processa informações; regressão linear com RANSAC, um método projetado para ignorar valores discrepantes ou dados "ruins"; e regressão polinomial, que busca relações curvas e não lineares. Os pesquisadores descobriram que a relação entre a distância das galáxias e sua velocidade de expansão não é uma linha reta simples, mas sim uma curva. Isso tornou a técnica de regressão polinomial particularmente eficaz. Quando a equipe mediu o quão de perto as previsões do aprendizado de máquina correspondiam às observações do mundo real, eles usaram uma métrica chamada "desvio alfa", onde um número menor indica um melhor ajuste. Os resultados mostraram que a técnica de regressão polinomial teve um desempenho excepcional, produzindo valores que eram quase idênticos às previsões teóricas dos modelos de gravidade cúbica e f(P). De fato, a regressão polinomial superou os outros métodos de aprendizado de máquina, incluindo as redes neurais e a regressão linear com RANSAC, ao capturar o comportamento sutil e não linear da expansão do universo.

Uma das descobertas mais significativas foi que os modelos de aprendizado de máquina não apenas adivinharam; eles confirmaram a validade das estruturas teóricas. O modelo de regressão polinomial produziu um desvio alfa de 0,1362 para ambos os modelos de gravidade cúbica e f(P), um número que é notavelmente próximo do valor teórico de 0,1360 para a gravidade cúbica e 0,1362 para a f(P). Isso sugere que as equações complexas propostas por essas teorias de gravidade modificada são consistentes com os dados reais que observamos no céu. Enquanto o método de regressão linear padrão teve dificuldades porque tentou forçar uma linha reta sobre uma realidade curva, a regressão polinomial navegou com sucesso pela curvatura dos dados. O estudo também observou que a regressão linear com RANSAC, que é projetada para lidar com dados desordenados, teve um desempenho melhor do que a regressão linear padrão, mas ainda assim não igualou a precisão da abordagem polinomial.

Os pesquisadores concluem que essas técnicas avançadas de aprendizado de máquina são ferramentas poderosas para testar os limites de nossa compreensão da gravidade. Ao usar a regressão polinomial, eles foram capazes de demonstrar que os modelos de gravidade cúbica e f(P) são robustos e capazes de descrever a aceleração do universo sem necessariamente exigir a introdução da energia escura. O estudo não afirma ter resolvido o mistério da energia escura ou provado que essas teorias modificadas são a resposta final, mas fornece evidências fortes de que esses modelos matemáticos específicos alinham-se bem com os dados observacionais. Os autores sugerem que o trabalho futuro deve envolver conjuntos de dados maiores e a exploração de outros modelos cosmológicos com técnicas de aprendizado de máquina ainda mais avançadas. Por enquanto, esta pesquisa oferece uma demonstração clara de que, quando o universo se comporta de uma forma curva e complexa, o tipo certo de ajuste de curva matemática pode revelar as leis subjacentes da natureza com uma clareza surpreendente.