Deep Learning for f (T) Gravity: Joint PINN Reconstruction and MCMC Analysis of Data Sets

Durante décadas, os astrônomos observaram o universo expandir-se a um ritmo cada vez mais acelerado. Esta descoberta, feita no final da década de 1990, subverteu a crença de longa data de que a gravidade deveria estar a desacelerar o cosmos. Para explicar esta aceleração, os cientistas propuseram a existência de uma força misteriosa chamada energia escura, frequentemente modelada como uma energia constante que preenche o espaço vazio. No entanto, esta explicação padrão, conhecida como o modelo Lambda de Matéria Escura Fria, enfrenta profundos enigmas teóricos. Ela deixa os físicos a questionarem-se por que é que o universo está a acelerar agora, e não oferece nenhuma razão fundamental para a força específica deste empurrão misterioso. Devido a estas lacunas, os investigadores começaram a explorar se a própria gravidade poderia comportar-se de forma diferente nas maiores escalas, talvez alterando as suas regras à medida que o universo se estica. Uma dessas ideias é uma teoria chamada gravidade teleparalela, que descreve a força da gravidade não como a curvatura do espaço, mas como uma torção, ou torção, do tecido do cosmos.

Uma equipa de investigadores da Índia adotou uma abordagem inovadora para testar estas ideias. Em vez de adivinhar quais seriam as regras desta gravidade de torção, construíram um sistema informático concebido para aprender as regras diretamente a partir dos dados. Eles combinaram duas coleções massivas de observações astronómicas: uma que mede a rapidez com que o universo se expande em diferentes períodos da sua história, e outra que rastreia o brilho de estrelas em explosão para mapear distâncias cósmicas. Ao alimentar estes dados num tipo especializado de inteligência artificial conhecido como rede neuronal informada pela física, os investigadores permitiram que o computador reconstruísse a história da expansão do universo enquanto obedecia estritamente às leis da física. O sistema não assumiu uma forma específica para a força gravitacional; simplesmente deixou que as observações guiassem a forma da teoria.

O resultado foi uma imagem suave e contínua de como o universo se expandiu ao longo de biliões de anos. A partir desta história reconstruída, a equipa derivou a forma matemática específica da gravidade de torção que seria necessária para produzir tal expansão. Eles então simplificaram esta forma complexa e orientada por dados numa fórmula gerível usando um polinómio cúbico, um tipo de equação que pode curvar-se e torcer-se para se ajustar a padrões complexos. Para garantir que as suas descobertas eram robustas, utilizaram métodos estatísticos avançados para calcular os valores mais prováveis para os números nesta equação e para mapear o intervalo de incerteza. A análise mostrou que o modelo reconstruído se ajusta bem aos dados observacionais, acompanhando de perto a história da expansão em todo o intervalo de desvios para o vermelho (redshifts) medidos.

Quando os investigadores compararam o seu novo modelo orientado por dados com a teoria padrão da gravidade, os resultados foram matizados. O modelo padrão, que assume uma constante cosmológica constante, ainda fornecia um ajuste estatístico ligeiramente melhor aos dados, exigindo menos pressupostos para explicar as observações. No entanto, o novo modelo não falhou; permaneceu uma descrição viável do universo que se desviava da teoria padrão de uma forma suave e sistemática. O estudo demonstrou que mudanças suaves nas leis da gravidade ainda são permitidas pelas observações atuais. A conquista mais significativa deste trabalho não foi necessariamente provar que o modelo padrão está errado, mas sim demonstrar um novo método poderoso. Ao combinar aprendizagem profunda com análise estatística, os investigadores criaram um fluxo de trabalho flexível que pode reconstruir teorias gravitacionais diretamente do céu, oferecendo uma forma de testar teorias de gravidade modificada contra dados futuros mais precisos, sem ficar preso por ideias preconcebidas.