En un logro significativo para la exploración del cosmos, un equipo de investigadores ha empleado técnicas de Inteligencia Artificial para obtener una comprensión sin precedentes de la enigmática energía oscura, la fuerza impulsora detrás de la expansión acelerada del universo.
El estudio, presentado ante la prestigiosa revista Monthly Notices of the Royal Astronomical Society y disponible en el servidor de preimpresión arXiv, fue realizado por la colaboración Dark Energy Survey (DES), una iniciativa científica de vanguardia.
Los investigadores duplicaron la precisión para inferir las características clave del cosmos, como la densidad de la energía oscura, al emplear técnicas de Inteligencia Artificial.
Los científicos han logrado duplicar la precisión con la que se pueden inferir las características clave del universo a partir de un mapa detallado de la distribución de la materia oscura y visible en el cosmos, abarcando un período de 7.000 millones de años. Esta mejora en la precisión les ha permitido descartar modelos cosmológicos que anteriormente podrían haber sido concebibles, acercándolos a una comprensión más profunda de la naturaleza del universo.
La energía oscura, responsable de aproximadamente el 70% del contenido del universo, ha sido durante mucho tiempo un misterio elusivo para la comunidad científica. Mientras que la materia oscura, que representa alrededor del 25%, ejerce una fuerza gravitacional observable en las galaxias, la energía oscura es una fuerza repulsiva que impulsa la expansión cósmica a un ritmo acelerado.
El Dr. Niall Jeffrey, autor principal del estudio y miembro del Departamento de Física y Astronomía de la University College London (UCL), expresó la importancia de este avance:
«Al utilizar la Inteligencia Artificial para aprender de universos simulados por computadora, hemos aumentado la precisión de nuestras estimaciones de propiedades clave del universo en un factor de dos. Para lograr esta mejora sin estas técnicas novedosas, necesitaríamos cuatro veces más cantidad de datos, lo que equivaldría a cartografiar otros 300 millones de galaxias».
El coautor, Dr. Lorne Whiteway, añadió:
«Nuestros hallazgos están en línea con la mejor predicción actual de la energía oscura como una ‘constante cosmológica’ cuyo valor no varía en el espacio o el tiempo. Sin embargo, también permiten flexibilidad para que una explicación diferente sea correcta. Por ejemplo, aún podría ser que nuestra teoría de la gravedad esté equivocada».
Los hallazgos sugieren que la materia en el universo está distribuida de manera más uniforme de lo que predice la teoría de la relatividad general de Einstein.
En consonancia con análisis previos del mapa del Dark Energy Survey, publicado por primera vez en 2021, los resultados sugieren que la materia en el universo está distribuida de manera más uniforme de lo que predice la teoría de la relatividad general de Einstein. No obstante, la discrepancia fue menos significativa en este estudio en comparación con el análisis anterior, debido a los márgenes de error más amplios.
El mapa del Dark Energy Survey se obtuvo mediante un método denominado lente gravitacional débil, es decir, observando cómo la luz de galaxias distantes ha sido curvada por la gravedad de la materia intermedia en su camino hacia la Tierra. La colaboración analizó las distorsiones en las formas de 100 millones de galaxias para inferir la distribución de toda la materia, tanto oscura como visible, en el primer plano de esas galaxias. El mapa resultante cubría una cuarta parte del cielo en el hemisferio sur.
Para el nuevo estudio, los investigadores utilizaron supercomputadoras financiadas por el gobierno del Reino Unido para ejecutar simulaciones de diferentes universos basadas en los datos del mapa de materia del Dark Energy Survey. Cada simulación tenía un modelo matemático diferente del universo que la sustentaba. Los investigadores crearon mapas de materia a partir de cada una de estas simulaciones.
Se utilizó un modelo de aprendizaje automático para extraer la información de esos mapas que era relevante para los modelos cosmológicos. Una segunda herramienta de aprendizaje automático, que aprendió de los muchos ejemplos de universos simulados con diferentes modelos cosmológicos, examinó los datos reales observados y proporcionó las probabilidades de que cualquier modelo cosmológico fuera el verdadero modelo de nuestro universo.
Esta nueva técnica permitió a los investigadores utilizar mucha más información de los mapas de la que sería posible con el método anterior. Las simulaciones se ejecutaron en las instalaciones de computación de alto rendimiento (HPC) DiRAC.
