A IA poderia nos ajudar a entender melhor o universo?

O aprendizado de máquina pode ajudar os astrônomos a restringir as restrições aos parâmetros cosmológicos que ditam o passado, o presente e o futuro do cosmos.

O Telescópio Espacial Hubble capturou esta imagem profunda do aglomerado de galáxias ACO S 295. Observar a distribuição de galáxias e aglomerados pelo universo está ajudando os astrônomos a restringir melhor as propriedades abrangentes do cosmos. Crédito: ESA/Hubble & NASA, F. Pacaud, D. Coe 

Desde que os humanos existem, tentamos entender o cosmos. O que começou como uma reflexão filosófica tornou-se, com o advento do telescópio e a capacidade de olhar cada vez mais longe no espaço (e cada vez mais cedo no tempo), um campo de pesquisa próspero.

Hoje, os cientistas buscam compreender as propriedades que regem o comportamento do nosso universo. Essas propriedades são caracterizadas matematicamente como os chamados parâmetros cosmológicos, que se encaixam em nossos modelos do cosmos. Quanto mais precisamente esses parâmetros puderem ser medidos, melhor seremos capazes de diferenciar entre modelos, bem como validar — ou descartar — teorias antigas, incluindo a teoria geral da relatividade de Einstein . Como diferentes modelos podem conter previsões muito diferentes tanto para os primeiros momentos do nosso universo quanto para o seu destino final, essa diferenciação é vital.

Até o momento, alguns dos maiores desafios incluem parâmetros mais restritos, como aqueles que determinam a quantidade precisa e a natureza da  matéria escura , a fonte da  energia escura e a força repulsiva que ela exerce, e exatamente como os neutrinos se comportam.

Essas questões estão na vanguarda do campo da cosmologia. No entanto, há um porém: investigar esses parâmetros cósmicos é uma tarefa cara.

Redução de custos

“Existem tantos experimentos e pesquisas astronômicas construídos apenas para medir esses seis a 10 parâmetros [cosmológicos principais] e eles custam vários bilhões de dólares”, diz  Shirley Ho , professora de astrofísica no Flatiron Institute em Nova York.

Em um artigo publicado em agosto passado na  Nature Astronomy , Ho e seus colegas utilizaram inteligência artificial (IA) para calcular cinco dos principais parâmetros cosmológicos que regem a matéria escura, a energia escura e os neutrinos com um grau de precisão nunca antes visto. Eles fizeram isso não apenas para mostrar que a IA pode tornar esses cálculos mais precisos, mas também para mostrar que esse método é mais econômico. "É bastante interessante o que eles [fizeram] no artigo", diz Emily Hunt , astrônoma do Instituto Max Planck de Astronomia, na Alemanha, que não participou da pesquisa.

A investigação de parâmetros cosmológicos normalmente requer o estudo da distribuição das galáxias e de suas propriedades individuais por meio de levantamentos. Abordagens anteriores utilizavam modelos simplificados do universo e os comparavam com dados de levantamentos. Essa abordagem permite principalmente a comparação de modelos generalizados e "embaçados" com os dados do levantamento, ignorando detalhes menores devido ao custo e aos desafios associados ao desenvolvimento de modelos de alta resolução. Tentar observar o universo dessa maneira, no entanto, é "como usar óculos realmente ruins", diz Ho.

Insights da IA

O novo estudo utilizou uma estrutura de IA chamada Simulation-Based Inference of Galaxies, ou SimBIG , para extrair informações cosmológicas. Os cientistas primeiro treinaram o modelo de IA apresentando-lhe 2.000 universos simulados , cada um com diferentes parâmetros cosmológicos. Os pesquisadores então introduziram ruído para fazer com que os universos artificiais se parecessem mais com o que conseguimos observar no nosso, devido às incertezas inerentes aos dados coletados em levantamentos de galáxias. O ruído imitou imperfeições naturais introduzidas por instrumentos telescópicos e pela atmosfera (como estrelas brilhantes e objetos tão próximos que seus sinais se misturam).

Com o tempo, o modelo de IA conseguiu aprender a extrair características ocultas. Enquanto abordagens anteriores só conseguiam analisar a distribuição de galáxias em larga escala, o novo modelo de IA aprendeu a aproveitar diferenças em pequena escala na distribuição de galáxias — por exemplo, a distância entre pares individuais de galáxias — para estimar melhor os parâmetros cosmológicos desejados com maior precisão. 

O modelo de IA treinado foi então apresentado a mais de 100.000 galáxias do Baryon Oscillation Spectroscopic Survey (BOSS) do Sloan Digital Sky Survey. (Isso representa apenas uma fração do total do levantamento BOSS — menos de 10%.) A IA foi então capaz de usar informações de grande e pequena escala nos dados reais para restringir os parâmetros cosmológicos com mais precisão em comparação com métodos anteriores. "A vantagem do aprendizado de máquina é que você pode simplesmente aplicar esses algoritmos realmente poderosos aos dados de forma quase cega, e isso pode extrair detalhes que você não teria imaginado antes", diz Hunt. 

A abordagem baseada em IA é crucial, já que não temos outro universo, diz Ho. "Nossa melhor aposta é, na verdade, aumentar a precisão o máximo possível para extrair o máximo de informação possível do universo existente que observamos", acrescenta.

Pesquisas futuras poderão capturar cada vez mais informações sobre o universo. E insights baseados em IA, como os oferecidos por este estudo, podem ser úteis para resolver alguns dos maiores enigmas cosmológicos da atualidade, incluindo a chamada tensão de Hubble, que envolve a discrepância na taxa medida de expansão do nosso universo atual. Essa taxa é dada pelo parâmetro H 0 , chamado de constante de Hubble . "Se você tiver uma restrição muito melhor [em H 0 ], poderá realmente determinar se há uma verdadeira tensão [de Hubble] ou discrepância", diz Ho.

Oportunidades e desafios futuros

Para catalisar ainda mais pesquisas baseadas em aprendizado de máquina em astronomia, Ho e o coautor Liam Parker (também do Instituto Flatiron) se uniram a outros astrônomos para selecionar uma coleção de dados astronômicos em larga escala . Esse esforço combina centenas de milhões de conjuntos de dados disponíveis publicamente de importantes levantamentos astronômicos, com o objetivo de "possibilitar o desenvolvimento de grandes modelos multimodais voltados especificamente para aplicações científicas", escrevem os autores em um resumo disponível no servidor de pré-impressões ArXiv .

Embora o futuro da aplicação da IA ​​na astronomia pareça promissor, especialistas recomendam cautela na implementação dessas ferramentas. "A cada avanço, certas coisas avançam rapidamente e outras precisam acompanhar", diz Hunt. Compreender as limitações e incertezas dos modelos de aprendizado de máquina é fundamental para aplicar seus resultados a aplicações do mundo real — especialmente ao tentar desvendar o cosmos.

Astronomy.com