El cosmólogo Francisco «Paco» Villaescusa-Navarro tiene un problema.

«Gastamos miles de millones de dólares en telescopios terrestres y espaciales para desentrañar los misterios del universo», explica, «pero nos falta la mayor parte de la información que contienen los sondeos».

El problema es que en cualquier encuesta, la mayor parte de la información está en las escalas más pequeñas. Por ejemplo, si observa una imagen de un bosque, obtendrá cierta información, p. B. una idea aproximada de cuántos árboles hay. Si te acercas un poco, puedes ver los árboles individuales y obtener más información, como las diferentes especies y su altura. Si amplía aún más, la cantidad de información explota: ahora puede determinar la edad, la salud, la estructura de la hoja, las coloraciones pronunciadas y más.

Mientras los cosmólogos trabajan para desentrañar misterios como la naturaleza de la materia oscura, la energía oscura y la historia de la expansión del universo, a menudo utilizan una de sus herramientas favoritas: los estudios de galaxias. Estos son mapas de las posiciones y velocidades de millones de galaxias y se encuentran entre las colaboraciones más grandes del mundo. Por ejemplo, más de 400 científicos de más de 25 instituciones en siete países están involucrados en el Estudio de Energía Oscura. Si bien solo mapean una fracción relativamente pequeña de todo el contenido del Universo, estas encuestas proporcionan de manera rutinaria sondas poderosas para la cosmología.

Sin embargo, casi todo el trabajo cosmológico implica tomar estas medidas masivas y reducirlas a resúmenes estadísticos comparativamente simples, como la distancia promedio entre galaxias o el número de galaxias a diferentes distancias. Luego, los cosmólogos conectan estos simples resúmenes estadísticos con cantidades que les importan, como la cantidad de materia oscura o la velocidad a la que se expande el universo.

Para exprimir más jugo de la naranja cosmológica, los astrónomos quieren usar las escalas más pequeñas posibles, que contienen la mayor cantidad de información en las encuestas. Pero si bien estas pequeñas escalas contienen mucha información cosmológica rica, también están plagadas de contaminación no cosmológica.

“Mucha gente ha demostrado que la mayor parte de la información sobre física fundamental y también sobre astrofísica está en estas pequeñas escalas”, explica Navarro, investigador de la Fundación Simons en la ciudad de Nueva York. «En este régimen, es difícil para nosotros encontrar patrones o incluso tener algo de intuición dada la complejidad de la física involucrada».

Toda esta información adicional, como la dinámica de las galaxias individuales o las tasas de explosión de las supernovas, es excelente si eres astrofísico, pero un contaminante molesto si eres cosmólogo. Los astrónomos no tienen la sofisticación para separar la información astrofísica de la cosmológica. Por ejemplo, si dos galaxias interactúan de cierta manera, ¿es una huella de la influencia de la materia oscura o se debe a la retroalimentación de los agujeros negros gigantes?

Para separar la información y llegar a la señal cosmológica, necesitamos mejores astrónomos: astrónomos de IA.

“La IA tiene el potencial de encontrar la solución óptima que nos permita extraer toda la información”, explica Navarro, quien ha trabajado con colaboradores de todo el mundo para desarrollar métodos de inteligencia artificial para la cosmología.

Pero antes de que los métodos de IA se puedan desatar en el universo, primero se les debe enseñar cómo convertirse en buenos astrónomos.

Para ello, Navarro y su equipo utilizan simulaciones. Las simulaciones cosmológicas contienen el conocimiento de toda la física que posiblemente se pueda conectar a una sola computadora. La tasa de expansión del universo, el tira y afloja gravitacional que da forma a grandes estructuras, la formación de estrellas, las explosiones de agujeros negros gigantes, los campos magnéticos y más se unen en una simulación moderna.

Estas simulaciones tienen como objetivo reproducir la mayor cantidad posible de física en el universo real y luego hacer coincidir estas simulaciones con las observaciones. Pero con todo el desorden de la física a pequeña escala, esa combinación es difícil, a menos que seas una IA. “Es una tarea fácil para la IA porque reconocerá patrones y encontrará soluciones óptimas a problemas que no podemos manejar”, ​​dice Navarro.

Navarro y sus colegas produjeron miles de simulaciones, variando todo tipo de parámetros cosmológicos (como la cantidad de materia oscura) y parámetros astrofísicos (como la fuerza de formación estelar). Luego introdujeron esas simulaciones en un tipo de IA conocida como red neuronal convolucional diseñada para reconocer incluso los patrones más sutiles.

«[When we show] Si la red tiene muchos mapas o cuadrículas diferentes con diferentes cosmologías y astrofísica, la red aprende un patrón que puede usarse para derivar los parámetros cosmológicos”, explica Navarro.

Aunque prometedor, su trabajo apenas comienza. Lo que es más importante, Navarro insta a la precaución, afirmando que la IA puede aprender literalmente cualquier cosa de estas simulaciones, incluidos patrones y conexiones que no son reales, como artefactos de la simulación. Para probar la IA, debe ejecutarse no solo en simulaciones, sino también en encuestas existentes con resultados conocidos. Solo entonces se puede confiar en proporcionar información cosmológica de conjuntos de datos futuros.

Sin embargo, él está mirando hacia el futuro. “Creo que la IA apenas está comenzando. Estamos en la fase de crecimiento exponencial”, dijo. “Personalmente, no sé hasta dónde nos puede llevar la IA, pero estoy bastante seguro de que las cosas nunca volverán a ser las mismas”.



DEJA UNA RESPUESTA

Por favor ingrese su comentario!
Por favor ingrese su nombre aquí