Para desentrañar los misterios del cosmos recurren a la inteligencia artificial

Comparta este Artículo en:

El cosmólogo Francisco “Paco” Villaescusa-Navarro tiene un problema.

“Estamos gastando miles de millones de dólares en telescopios terrestres y espaciales para descifrar los misterios del universo”, explica, “pero nos falta la mayor parte de la información que contienen los surveys”.

El problema es que en cualquier survey, la mayor parte de la información se encuentra en las escalas más pequeñas.

Por ejemplo, si observa la imagen de un bosque, obtendrá cierta información, como una idea aproximada de cuántos árboles hay allí.

Una vez que se acerca un poco, puede ver los árboles individuales y obtener más información, por ejemplo, las diferentes especies y sus alturas.

Si amplía aún más, la cantidad de información explota: ahora puede determinar su edad, salud, estructura de la hoja, coloraciones distintas 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 emplean una de sus herramientas favoritas: surveys de galaxias.

Estos son mapas de las posiciones y velocidades de millones de galaxias, y son algunas de las colaboraciones más grandes del mundo.

Por ejemplo, Dark Energy Survey involucra a más de 400 científicos de más de 25 instituciones en siete países.

Si bien mapean solo una fracción relativamente pequeña de todos los contenidos del universo, estos estudios brindan rutinariamente poderosas pruebas de cosmología.

Sin embargo, casi todo el trabajo de cosmología implica tomar estos estudios masivos y reducirlos a resúmenes estadísticos comparativamente simples, como el espacio promedio entre galaxias o el número de galaxias a diferentes distancias.

Luego, los cosmólogos conectan estos simples resúmenes estadísticos con las cantidades que les interesan, como la cantidad de materia oscura o la tasa de expansión del universo.

Para exprimir más jugo de la naranja cosmológica, los astrónomos quieren poder usar las escalas más pequeñas posibles, que contienen la mayor parte de la información en los estudios.

Pero mientras esas pequeñas escalas contienen mucha información cosmológica rica, también están llenas de contaminación no cosmológica.

“Muchas personas han demostrado que la mayor parte de la información sobre física fundamental, y también sobre astrofísica, se encuentra en esas pequeñas escalas”, explica Navarro, científico investigador de la Fundación Simons en la ciudad de Nueva York.

“En ese régimen, es difícil para nosotros encontrar patrones o incluso desarrollar alguna intuición dada la complejidad de la física involucrada en él”.

Toda esa 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.

Cuando dos galaxias interactúan de cierta manera, por ejemplo, ¿es una huella de la influencia de materia oscura o de la retroalimentación de agujeros negros gigantes?

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

“La IA tiene mucho potencial para 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 soltar en el universo, primero se les debe enseñar cómo ser buenos astrónomos.

Para eso, Navarro y sus colaboradores recurren a las simulaciones.

Las simulaciones cosmológicas incorporan el conocimiento de toda la física que posiblemente se pueda meter en 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, todo se incluye en una simulación moderna.

Estas simulaciones tienen como objetivo reproducir la mayor cantidad posible de física en el universo real y luego hacer coincidir esas simulaciones con las observaciones.

Pero con todo el desorden de la física a pequeña escala involucrada, esa combinación es difícil, a menos que seas una IA.

“Esta es una tarea sencilla para la IA, ya que identificará patrones y encontrará soluciones óptimas a problemas que no sabemos cómo tratar”, 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 estas simulaciones en un tipo de IA conocida como red neuronal convolucional, que está diseñada para identificar incluso los patrones más sutiles.

“[Cuando mostramos] a las redes muchos mapas o cuadrículas diferentes con diferentes cosmologías y astrofísica, la red está aprendiendo algún patrón que puede usarse para inferir los parámetros cosmológicos”, explica Navarro.

Si bien es prometedor, su trabajo apenas comienza.

Lo que es más importante, Navarro insta a la precaución y explica 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 surveys existentes con resultados conocidos.

Solo entonces se puede confiar en que proporcionará información cosmológica de conjuntos de datos futuros.

Sin embargo, está emocionado por el futuro.

“Creo que la IA apenas está comenzando.

Estamos en la fase de crecimiento exponencial”, dijo, “personalmente, no sé hasta dónde puede llevarnos la IA, pero estoy bastante seguro de que las cosas nunca volverán a ser como antes”.

Fuente: Astronomy