Uma ferramenta com inteligência artificial desenvolvida na EPFL pode distinguir os efeitos elusivos da matéria escura de outros fenômenos cósmicos, o que pode nos deixar mais perto de desvendar os segredos da matéria escura.
Imagem: Imagem estática da simulação da formação de estruturas de matéria escura do universo primitivo até hoje. A gravidade faz a matéria escura se aglomerar em halos densos, indicados por manchas brilhantes, onde as galáxias se formam. Nesta simulação, um halo como o que hospeda a Via Láctea se forma e um halo menor, semelhante à Grande Nuvem de Magalhães, cai em sua direção. Pesquisadores do SLAC e de Stanford, trabalhando com colaboradores do Dark Energy Survey, usaram simulações como essas para entender melhor a conexão entre a matéria escura e a formação de galáxias. Crédito: Ralf Kaehler/Ethan Nadler/SLAC National Accelerator Laboratory
A matéria escura é a força invisível que mantém o universo unido – ou assim pensamos. Ela compõe cerca de 85% de toda a matéria e cerca de 27% do conteúdo do universo, mas como não podemos vê-la diretamente, temos que estudar seus efeitos gravitacionais em galáxias e outras estruturas cósmicas. Apesar de décadas de pesquisa, a verdadeira natureza da matéria escura continua sendo uma das questões mais elusivas da ciência.
De acordo com uma teoria líder, a matéria escura pode ser um tipo de partícula que mal interage com qualquer outra coisa, exceto através da gravidade. Mas alguns cientistas acreditam que essas partículas podem ocasionalmente interagir umas com as outras, um fenômeno conhecido como autointeração. Detectar tais interações ofereceria pistas cruciais sobre as propriedades da matéria escura.
No entanto, distinguir os sinais sutis das autointerações da matéria escura de outros efeitos cósmicos, como aqueles causados por núcleos galácticos ativos (AGN) – os buracos negros supermassivos nos centros das galáxias – tem sido um grande desafio. O feedback do AGN pode empurrar a matéria de maneiras semelhantes aos efeitos da matéria escura, dificultando a distinção entre os dois.
Em um significativo passo à frente, o astrônomo David Harvey do Laboratório de Astrofísica da EPFL desenvolveu um algoritmo de aprendizado profundo que pode desembaraçar esses sinais complexos. Seu método baseado em IA é projetado para diferenciar entre os efeitos das autointerações da matéria escura e aqueles do feedback AGN analisando imagens de aglomerados de galáxias – vastas coleções de galáxias unidas pela gravidade. A inovação promete aumentar muito a precisão dos estudos da matéria escura.
Harvey treinou uma Rede Neural Convolucional (CNN) – um tipo de IA que é particularmente boa em reconhecer padrões em imagens – com imagens do projeto BAHAMAS-SIDM, que modela aglomerados de galáxias sob diferentes cenários de matéria escura e feedback de AGN. Ao ser alimentada com milhares de imagens simuladas de aglomerados de galáxias, a CNN aprendeu a distinguir entre os sinais causados por autointerações da matéria escura e aqueles causados pelo feedback de AGN.
Entre as várias arquiteturas CNN testadas, a mais complexa – apelidada de “Inception” – provou ser também a mais precisa. A IA foi treinada em dois cenários primários de matéria escura, apresentando diferentes níveis de autointeração, e validada em modelos adicionais, incluindo um modelo de matéria escura mais complexo e dependente da velocidade.
O Inception atingiu uma precisão impressionante de 80% sob condições ideais, identificando efetivamente se os aglomerados de galáxias eram influenciados por matéria escura autointerativa ou feedback de AGN. Ele manteve seu alto desempenho mesmo quando os pesquisadores introduziram ruído observacional realista que imita o tipo de dados que esperamos de futuros telescópios como o Euclid.
O que isso significa é que a Inception – e a abordagem da IA de forma mais geral – pode se provar incrivelmente útil para analisar as enormes quantidades de dados que coletamos do espaço. Além disso, a capacidade da IA de lidar com dados invisíveis indica que ela é adaptável e confiável, tornando-a uma ferramenta promissora para futuras pesquisas sobre matéria escura.
Referências
D. Harvey. Um algoritmo de aprendizado profundo para desembaraçar modelos de feedback de matéria escura autointerativos e AGN. Nature Astronomy 06 de setembro de 2024. DOI: 10.1038/s41550’024 -02322-8
