INTRO:

Questionamentos sempre perturbaram a mente humana. Indagar-se sobre a origem e o fim do universo é algo que filósofos gregos faziam e certamente a humanidade antes deles também. A essência da cosmologia está baseada no querer entender a origem do universo em que existimos.

Olhando um céu estrelado em um canto remoto é possível observar centenas de objetos com certas magnitudes, a exemplo estrelas e galáxias visíveis a olho nu; e elas por si só nos fornecem deslumbramentos e perguntas. Atualmente, porém, sabemos que o inquietante mesmo está no que não conseguimos observar diretamente, como energia escura e matéria escura.

Há contraposição nestes eventos, uma vez que a matéria escura tende a unir o universo e a energia escura a fazê-lo expandir mais rapidamente. Esses acontecimentos físicos precisam ser levados em consideração nas teorias propostas por cosmólogos, assim é necessário saber quantificá-los para refinar modelos.

Cientistas do Departamento de Física e do Departamento de Ciência da Computação do Instituto Federal de Tecnologia de Zurique (ETH) se juntaram para aperfeiçoar métodos padrões de estimativa do conteúdo de matéria escura por meio do aprendizado de máquina. Eles publicaram seu artigo na revista científica Physical Review D.

                   O QUE FAZEM:

A análise de dados cosmológicos é bastante parecida com a análise feita em dados de reconhecimento facial do Facebook e de outras mídias. Essa analogia pode ser feita já que os parâmetros que a máquina aprende a reconhecer são guias para dados que não foram analisados ainda. A exemplo: o Facebook busca boca, olhos e ouvidos. O algoritmo dos cientistas tende a buscar sinais que sejam associados à matéria e à energia escura.

Como já foi dito, não é possível medir tais grandezas de forma direta. Acredita-se que da mesma forma que a matéria bariônica (partículas conhecidas que formam a matéria de estrelas, planetas etc) a matéria escura deforme o caminho dos raios de luz vindo de galáxias distantes e chegam até a Terra por meio da ação gravitacional que a matéria exerce – como previsto por Albert Einstein.

Esse efeito de deformação é entendido como “lentes gravitacionais”. Pode ser uma baita distorção, a exemplo da seguinte imagem onde a galáxia é projetada em 2 lugares, ou pode ser sutil de forma a só distorcer a imagem.

Podemos comparar esse efeito ao que acontece com objetos distantes que aparecem borrados quando sua luz passa por camadas diferentes de ar na atmosfera com diferentes temperaturas em um dia quente.

O conceito de distância para galáxias muito afastadas implica estarmos olhando imagens de eventos que aconteceram há milhares ou até milhões de anos atrás. Desta forma, é possível retroceder e organizar mapas de massa mostrando onde a matéria escura poderia localizar-se.

A partir daí, comparam com mapas teóricos para descobrirem qual modelo cosmológico melhor se ajusta aos dados. Há uma parte do tratamento de dados que utiliza a função de correlação para descrever como as partes diferentes dos mapas estão relacionadas. Esta estatística está limitada a quão bem pode definir padrões complexos nos mapas de matéria.

          COMO FAZEM ATRAVÉS DE REDES NEURAIS:

Aurelien Lucchi e seus colegas do Laboratório Análises de Dados no Departamento de Ciência da Computação trabalharam em conjunto com Janis Fluri – a principal autora do estudo, uma estudante PhD do grupo Refregier. Este grupo utiliza algoritmos de aprendizado profundo de redes neurais para extrair o máximo de informações sobre mapas de matéria escura. Inicialmente a rede é treinada com dados que simulam o universo, utilizando como padrão para filtrar o que deve ser correto ou não quando o computador for criar suas árvores de decisões para parâmetros cosmológicos- a exemplo temos a razão entre a quantidade total de matéria escura e energia escura para cada mapa de matéria escura já simulado. Quando o computador analisou repetidamente os mapas disponíveis, a rede neural passou a procurar características específicas extraindo informações desejadas.

Os cientistas utilizaram a rede neural treinada para analisar mapas de matéria escura do conjunto de dados KiDS-450. Pretendem aplicar também o método no Dark Energy Survey após adicionarem mais parâmetros cosmológicos e refinamentos às redes neurais. Como discutir a natureza da energia escura ainda é amplamente vago, uma vez que existem pouquíssimas certezas associadas, para montar um estudo inicialmente devem "fixar" um conceito para ser trabalhado. Já que ainda é possível interpretar o fenômeno de energia escura derivando da Teoria da Relatividade Geral, através da constante cosmológica ou supor que seja um campo escalar extremamente leve (quintessência ou k-essência). Ou até mesmo sugerir que a TRG seja alterada.

                    VANTAGENS:

O uso das redes neurais trouxe um avanço de precisão em 30% comparado às estatísticas feita por humanos somente. Essa diferença é uma enorme vantagem, visto que atingir melhor precisão aumentando o número de dados do telescópio exigiria o dobro de tempo de observação e seria mais caro.

Utilizar lentes gravitacionais só traz benefícios para o estudo da matéria e da energia escura, de acordo com o Dr. David Schlegel, cientista do Laboratório Nacional Lawrence Berkeley, e seus colegas que utilizaram o supercomputador Cori para analisar imagens do projeto DECaLS - uma pesquisa conduzida para o Dark Energy Spectroscopic Instrument. O supercomputador teve sua rede neural treinada durante horas para aprender a buscar as lentes. Encontraram vários supostos sistemas de lentes fortes. A confirmação desses eventos ajuda a medição precisa de distâncias de galáxias próximas à formação do universo, – o Big Bang, além disso essa descoberta amplia o conhecimento sobre matéria escura, uma vez que ela possui maior porcentagem no efeito de lente gravitacional.

Atenção: O artigo original foi editado em 30/08/2021 e está em processo de revisão. O termo "prova" usado anteriormente no título não é o mais apropriado, uma vez que alguns dados foram simulados e há erros nas tecnologias que baseiam essa simulação. Obrigada Maria Fernanda do Carmo que fez essa observação super pertinente e nos ajudou a aprimorar o texto!

                      REFERÊNCIAS:

1. Imagem 1: GRAVITATIONAL LENS. Disponível em: https://hubblesite.org/contents/articles/gravitational-lensing. Acesso em: 20 de maio de 2021.

2. Imagem 2: MAIOR MAPA DE MATÉRIA ESCURA; DIVULGAÇÃO: DARK ENERGY SURVEY. Disponível em: https://www.cnnbrasil.com.br/tecnologia/2021/05/28/cientistas-criam-o-maior-mapa-de-materia-escura-do-universo. Acesso em 20 de maio de 2021.

3. ARTIFICIAL INTELLIGENCE PROBES DARK MATTER IN THE UNIVERSE. Disponível em:https://www.sciencedaily.com/releases/2019/09/190918100223.htm. Acesso em: 19 de maio de 2021.

4. Janis Fluri, Tomasz Kacprzak, Aurelien Lucchi, Alexandre Refregier, Adam Amara, Thomas Hofmann, Aurel Schneider. Cosmological constraints with deep learning from KiDS-450 weak lensing maps. Physical Review D, 2019. Disponível em: https://journals.aps.org/prd/abstract/10.1103/PhysRevD.100.063514. Acesso em: 19 de maio de 2021.

5. NOVAS LENTES GRAVITACIONAIS SÃO ENCONTRADAS GRAÇAS À INTELIGÊNCIA ARTIFICIAL. Disponível em: https://canaltech.com.br/espaco/novas-lentes-gravitacionais-sao-encontradas-gracas-a-inteligencia-artificial-165280/. Acesso em: 20 de maio de 2021.

6. A ENERGIA ESCURA E OS DESAFIOS DA COSMOLOGIA OBSERVACIONAL NA PRÓXIMA DÉCADA: A "WHITE PAPER" PARA A CEA. Disponível em: https://www.sab-astro.org.br/wp-content/uploads/2017/03/WP-Energia-Escura.pdf. Acesso em 3 de ago de 2021.