Cosa possiamo imparare sull’universo da una sola galassia?

Immagina di poter guardare un fiocco di neve al Polo Sud e determinare le dimensioni e il clima di tutta l’Antartide. Oppure studia un albero selezionato a caso nella foresta pluviale amazzonica e, da quell’albero – raro o comune, stretto o largo, giovane o vecchio – deduci le caratteristiche della foresta nel suo insieme. O se, guardando una galassia tra i cento miliardi circa nell’universo osservabile, si potesse dire qualcosa di sostanziale sull’universo nel suo insieme? Un recente articolo, i cui autori principali includono un cosmologo, un esperto di formazione di galassie e uno studente universitario di nome Giove (che ha svolto il lavoro iniziale), suggerisce che questo potrebbe essere il caso. Il risultato all’inizio sembrava “folle” agli autori del documento. Ora, dopo aver discusso del loro lavoro con altri astrofisici e aver fatto vari “controlli di sanità mentale”, cercando di trovare errori nei loro metodi, i risultati iniziano a sembrare abbastanza chiari. Francisco Villaescusa-Navarro, uno degli autori principali dell’opera, ha dichiarato: “Sembra che le galassie in qualche modo conservino un ricordo dell’intero universo”.

La ricerca è iniziata come una sorta di esercizio a casa. Jupiter Ding, mentre era una matricola a Princeton, scrisse al Dipartimento di Astrofisica, sperando di essere coinvolto nella ricerca. Ha detto di avere una certa esperienza con l’apprendimento automatico, una forma di intelligenza artificiale che è abile a individuare schemi in set di dati molto grandi. Villaescusa-Navarro, un astrofisico concentrato sulla cosmologia, ha avuto un’idea su ciò su cui lo studente potrebbe lavorare. Villaescusa-Navarro desiderava da tempo esaminare se l’apprendimento automatico potesse essere utilizzato per aiutare a trovare relazioni tra le galassie e l’universo. “Stavo pensando, e se potessi guardare solo un migliaio di galassie e da ciò apprendere proprietà sull’intero universo? Mi sono chiesto, qual è il numero più piccolo che potremmo guardare? E se ne guardassi solo cento? Ho pensato, OK, inizieremo con una galassia”.

Non si aspettava che una galassia avrebbe fornito molto. Ma pensava che sarebbe stato un buon modo per Ding di esercitarsi con l’apprendimento automatico su un database noto come CAMMELLI (Cosmologia e Astrofisica con Simulazioni MachinE Learning). Shy Genel, un astrofisico concentrato sulla formazione delle galassie, che è un altro autore principale del documento, ha spiegato CAMMELLI in questo modo: “Iniziamo con una descrizione della realtà subito dopo il Big Bang. A quel punto, l’universo è composto principalmente da idrogeno gassoso e un po’ di elio e materia oscura. E poi, usando ciò che sappiamo delle leggi della fisica, la nostra migliore ipotesi, eseguiamo la storia cosmica per circa quattordici miliardi di anni. Le simulazioni cosmologiche esistono da circa quarant’anni, ma sono sempre più sofisticate e veloci. CAMMELLI contiene circa quattromila universi simulati. Lavorare con universi simulati, al contrario del nostro, consente ai ricercatori di porre domande a cui le lacune nei nostri dati osservativi ci impediscono di rispondere. Consentono inoltre ai ricercatori di giocare con diversi parametri, come le proporzioni di materia oscura e idrogeno gassoso, per testarne l’impatto.

Ding ha fatto il lavoro CAMMELLI dalla sua stanza del dormitorio, sul suo laptop. Ha scritto programmi per lavorare con il CAMMELLI dati, quindi li ha inviati a uno dei cluster informatici dell’università, una raccolta di computer con molta più potenza del suo MacBook Air. Quel cluster di elaborazione conteneva il CAMMELLI dati. Il modello di Ding si è allenato prendendo una serie di universi simulati e osservando le galassie al loro interno. Una volta addestrato, al modello sarebbe stata mostrata una galassia campione e gli sarebbe stato chiesto di prevedere le caratteristiche dell’universo da cui era stata campionata.

Ding è molto umile riguardo al suo contributo alla ricerca, ma sa molto di più sull’astrofisica di quanto non sappia in genere anche uno studente eccezionale del primo anno. Ding, una figlia di mezzo con due sorelle, è cresciuta allo State College, in Pennsylvania. Al liceo, ha seguito una serie di corsi di astronomia a livello universitario presso la Penn State e ha lavorato a un paio di progetti di ricerca che riguardavano l’apprendimento automatico. “Mio padre era davvero interessato all’astronomia da liceale”, mi ha detto Ding. “E’ andato in un’altra direzione, però.” Suo padre è professore di marketing alla business school della Penn State.

L’intelligenza artificiale è un concetto ombrello per varie discipline, incluso l’apprendimento automatico. Un famoso primo compito di apprendimento automatico è stato quello di far riconoscere a un computer l’immagine di un gatto. Questo è qualcosa che un essere umano può fare facilmente, ma, per un computer, non ci sono parametri semplici che definiscono il concetto visivo di un gatto. L’apprendimento automatico viene ora utilizzato per rilevare schemi o relazioni che sono quasi impossibili da vedere per gli esseri umani, in parte perché i dati sono spesso in molte dimensioni. Il programmatore rimane il capitano, dice al computer cosa imparare e decide su quale input è addestrato. Ma il computer si adatta, in modo iterativo, man mano che apprende, e in questo modo diventa l’autore dei propri algoritmi. È stato l’apprendimento automatico, ad esempio, a scoprire, attraverso l’analisi dei modelli linguistici, i presunti principali autori dei post di “Q” (il presunto alto funzionario del governo che ha scatenato la teoria del complotto di QAnon). È stato anche in grado di identificare quale dei post di Q sembrava essere stato scritto da Paul Furber, uno sviluppatore di software sudafricano, e da Ron Watkins, il figlio dell’ex proprietario di 8chan. I programmi di apprendimento automatico sono stati applicati anche nell’assistenza sanitaria, utilizzando i dati per prevedere quali pazienti sono più a rischio di caduta. Rispetto all’intuizione dei medici, le valutazioni basate sull’apprendimento automatico si sono ridotte di circa il quaranta per cento, un enorme margine di miglioramento per un intervento medico.

Anche l’apprendimento automatico ha catapultato in avanti la ricerca astrofisica. Villaescusa-Navarro ha dichiarato: “Come comunità, abbiamo a che fare con problemi super-difficili da molti, molti anni. Problemi su cui le persone più intelligenti del settore lavorano da decenni. E da un giorno all’altro, questi problemi vengono risolti con l’apprendimento automatico. ” Anche la generazione di un singolo universo simulato richiedeva molto tempo. Hai dato a un computer alcune condizioni iniziali e poi hai dovuto aspettare che risolvesse ciò che quelle condizioni avrebbero prodotto circa quattordici miliardi di anni dopo. Ci sono voluti meno di quattordici miliardi di anni, ovviamente, ma non c’era modo di creare un ampio database di università simulate in modo tempestivo. I progressi dell’apprendimento automatico hanno accelerato queste simulazioni, rendendo un progetto simile CAMMELLI possibile. Un progetto ancora più ambizioso, Learning the Universe, utilizzerà l’apprendimento automatico per creare universi simulati milioni di volte più veloci di CAMMELLI potere; utilizzerà quindi quella che viene chiamata inferenza basata sulla simulazione, insieme ai dati osservativi reali dei telescopi, per determinare quali parametri di partenza portano a un universo che assomiglia di più al nostro.

Ding mi ha detto che uno dei motivi per cui ha scelto l’astronomia è stata la vicinanza che sente alle scoperte nel campo, anche da studente universitario. “Ad esempio, sono in un corso di cosmologia in questo momento, e quando la mia professoressa parla di materia oscura, ne parla come di qualcosa che ‘una mia buona amica, Vera Rubin, ha messo sulla mappa'”, ha detto. “E l’energia oscura è stata scoperta da un team di Harvard circa vent’anni fa, e lì ho fatto un programma estivo. Quindi eccomi qui, a conoscere queste cose praticamente nei luoghi in cui queste cose stavano accadendo. ” La ricerca di Ding ha prodotto qualcosa di profondamente inaspettato. Il suo modello utilizzava una singola galassia in un universo simulato per dire con precisione qualcosa su quell’universo. La caratteristica specifica che è stato in grado di prevedere si chiama materia Omega, che si riferisce alla densità di un universo. Il suo valore è stato accuratamente previsto entro il dieci per cento.

Ding inizialmente non era sicuro di quanto fossero significativi i suoi risultati ed era curioso di ascoltare il punto di vista di Villaescusa-Navarro. Era più che scettico. “Il mio primo pensiero è stato, questa è una follia, non ci credo, questo è il lavoro di uno studente universitario, ci deve essere un errore”, ha detto Villaescusa-Navarro. “Gli ho chiesto di eseguire il programma in altri modi per vedere se avrebbe ancora ottenuto risultati simili”. I risultati hanno tenuto.

Villaescusa-Navarro iniziò a fare i suoi calcoli. Il suo dubbio si concentrava principalmente sul modo in cui funzionava l’apprendimento automatico. “Una cosa delle reti neurali è che sono straordinarie nel trovare correlazioni, ma possono anche rilevare artefatti numerici”, ha affermato. Un parametro era sbagliato? C’era un bug nel codice? Villaescusa-Navarro ha scritto il suo programma, per porre lo stesso tipo di domanda che aveva assegnato a Ding: cosa potrebbero dire le informazioni su una galassia sull’universo in cui risiedeva? Anche quando è stato chiesto da un programma diverso, scritto da zero, la risposta veniva comunque dalla stessa. Questo ha suggerito che il risultato stava catturando qualcosa di reale.

“Ma non potevamo semplicemente pubblicarlo”, ha detto Villaescusa-Navarro. “Dovevamo provare a capire perché questo potrebbe funzionare. ” Funzionava per piccole galassie, e per grandi galassie, e per galassie con caratteristiche molto diverse; solo per una piccola manciata di galassie eccentriche il lavoro non reggeva. Come mai?

La ricetta per creare un universo è iniziare con molto idrogeno, un po’ di elio, un po’ di materia oscura e un po’ di energia oscura. La materia oscura ha massa, come la materia che conosciamo, ma non riflette né emette luce, quindi non possiamo vederla. Inoltre, non possiamo vedere l’energia oscura, ma possiamo pensare che funzioni nella direzione opposta della gravità. La materia dell’universo, per gravità, lo spinge a contrarsi; l’energia oscura dell’universo lo spinge ad espandersi.

La materia Omega è un parametro cosmologico che descrive quanta materia oscura c’è nell’universo. Insieme ad altri parametri, controlla quanto si sta espandendo l’universo. Più alto è il suo valore, più l’universo crescerebbe lentamente. Una delle ipotesi del gruppo di ricerca per spiegare i loro risultati è, grosso modo, che la quantità di materia oscura in un universo abbia un effetto molto forte sulle proprietà di una galassia, un effetto più forte di altre caratteristiche. Per questo motivo, anche una sola galassia potrebbe avere qualcosa da dire sulla materia Omega del suo universo genitore, dal momento che la materia Omega è correlata a ciò che può essere raffigurato come la densità della materia che fa raggruppare una galassia.

A dicembre, Genel, esperto di formazione di galassie, ha presentato i risultati preliminari dell’articolo al gruppo di formazione di galassie a cui appartiene al Center for Computational Astrophysics, a New York. “Questa è stata davvero una delle cose più divertenti che mi sono successe”, ha detto. Mi disse che qualsiasi esperto di formazione di galassie non poteva avere altra prima reazione che pensare, questo è impossibile. Una galassia è, sulla scala di un universo, grande quanto un granello di sabbia, rispetto alle dimensioni della Terra. Pensare che tutto da solo possa dire qualcosa di così sostanziale è, per la maggior parte della comunità di astrofisica, estremamente sorprendente, in un modo analogo alla scoperta che ciascuna delle nostre cellule – da una cellula di un’unghia a una cellula di fegato – contiene codici che descrivono tutto il nostro corpo. (Anche se forse per il modo poetico di pensare – vedere il mondo in un granello di sabbia – la sorpresa è che questo è sorprendente.)

Rachel Somerville, un’astrofisica che era presente al discorso, ha ricordato la reazione iniziale come “scetticismo, ma rispettoso scetticismo, poiché sapevamo che si trattava di ricercatori seri”. Ricorda di essere stata sorpresa dal fatto che l’approccio fosse stato persino tentato, dal momento che sembrava così tremendamente improbabile che avrebbe funzionato. Da allora, i ricercatori hanno condiviso la loro codifica ei risultati con esperti del settore; i risultati sono ritenuti credibili e convincenti, sebbene permangano le esitazioni che gli autori stessi hanno sui risultati.

I risultati non sono “robusti” – per ora, il computer può fare previsioni valide solo sul tipo di universo su cui è stato addestrato. Anche all’interno CAMMELLI, ci sono due varietà di simulazioni e, se la macchina è addestrata su una varietà, non può essere usata per fare previsioni per le galassie nell’altra varietà. Ciò significa anche che i risultati non possono essere utilizzati per fare previsioni sull’universo in cui viviamo, almeno non ancora.

Villaescusa-Navarro mi ha detto: “È un risultato molto bello, so che non dovrei dirlo sul mio stesso lavoro”. Ma cos’è la bellezza per un astrofisico? “Si tratta di una connessione inaspettata tra due cose che non sembravano essere correlate. In questo caso, cosmologia e formazione di galassie. Si tratta di qualcosa di nascosto che viene rivelato. ”

.

Leave a Comment