La inteligencia artificial proporciona un nuevo método para medir la materia oscura

Una colaboración internacional liderada por astrofísicos de la Universidad Autónoma de Madrid (UAM) ha estimado, por primera vez mediante técnicas de inteligencia artificial, el contenido de materia total de un conjunto amplio de cúmulos de galaxias.

Los resultados, publicados en la revista Nature Astronomy, contemplan cantidades de materia oscura y se basan en observaciones en el rango de las microondas de la misión espacial Planck de la ESA. 

El algoritmo de aprendizaje automático utilizado está basado en redes neuronales convolucionales, un modelo revolucionario desarrollado para el procesado automático de imágenes.

“El procedimiento consiste en comprimir la información contenida en las imágenes, de modo que pueda ser luego fácilmente comparada con alguna propiedad interna de la misma, que en este caso sería la masa total del cúmulo que ocupa la imagen”, explica Daniel de Andrés, profesor ayudante del departamento de Física Teórica de la UAM y primer firmante del trabajo. 

Para entrenar el algoritmo, los investigadores tuvieron que generar casi 200 mil imágenes equivalentes a cómo observaría el satélite Planck un conjunto de cúmulos simulados numéricamente.

Estas imágenes sintéticas fueron obtenidas a partir de los resultados de las simulaciones numéricas del proyecto The Three Hundred, liderado también por los investigadores de la UAM.

“Una vez que la red convolucional fue entrenada, se le aplicó a más de mil imágenes reales de cúmulos de galaxias observados por el Satélite Planck, dando como resultado la estimación de la masa total del objeto, de acuerdo a lo que el algoritmo ha aprendido de las simulaciones, pero en este caso, libres de posibles sesgos debido a las hipótesis teóricas que se asumen en estudios previos”, detalla Daniel de Andrés.

Por su parte, el coautor Weiguang Cui, afirma que “los resultados obtenidos son muy excitantes. La inteligencia artificial es una herramienta que nos ayudará a entender las complejas relaciones entre las diferentes componentes de materia que ocupan el Universo”.

En la colaboración participan investigadores de la Universidad de Edimburgo, el MIT (EE UU) y la Universidad de la Sapienza (Roma), junto a expertos de EURA NOVA (Bélgica), empresa especializada en técnicas de aprendizaje automático.

Aprendizaje automático y astrofísica

La inteligencia artificial, y en particular el aprendizaje automático, facilita que una máquina pueda realizar predicciones a partir del estudio de grandes cantidades de datos. De esta forma, los ordenadores pueden realizar tareas complejas, como reconocer objetos en imágenes o jugar al ajedrez.

El aprendizaje automático ha dado lugar recientemente a múltiples aplicaciones en diferentes campos de la industria y la investigación. No sólo es útil para acelerar el análisis de enormes cantidades de datos, también trae consigo nuevos descubrimientos.

En particular, los métodos de inteligencia artificial para el análisis de datos astrofísicos están siendo empleados cada vez de forma más habitual en el procesado de imágenes astronómicas.

Dado que los objetos astrofísicos solo pueden ser detectados a partir de la radiación electromagnética emitida en diferentes frecuencias por el gas interestelar y las estrellas (desde rayos gamma a ondas de radio), la información que se puede derivar corresponde solo a la materia que componen los objetos que emite luz.

Pero resulta que, cuanto mayor es un objeto astronómico, su contenido total de materia está más dominado por ‘materia oscura’, que no emite luz. Este es el caso de los objetos más masivos del Universo, los cúmulos de galaxias.

Cúmulos de galaxias y materia oscura

Los cúmulos de galaxias son agrupaciones de centenares o miles de galaxias unidas gravitacionalmente. La materia total que genera este campo gravitatorio está formada, en más del 85%, por un componente de la naturaleza que todavía no entendemos, y que denominamos materia oscura.

Hasta ahora, la materia total de estos objetos se había medido principalmente de dos maneras. A partir de observaciones de la emisión en rayos X del gas intracumular. Y mediante las distorsiones del espectro de frecuencias de los fotones de la radiación de fondo cósmica, cuando atraviesan el gas caliente del cúmulo en su recorrido hacia nuestros radiotelescopios.

“En ambos casos, a partir de las imágenes bidimensionales que recibimos con nuestros instrumentos, hay que aplicar ciertas hipótesis teóricas del estado del gas del cúmulo para poder derivar la masa total que contiene”, explica Daniel de Andrés.

“La única forma que teníamos hasta ahora para establecer estas relaciones teóricas entre la emisión del gas y la masa, era a partir de simulaciones numéricas que intentan reproducir la formación de estos objetos y que modelan las complejas relaciones existentes entre los diversos componentes del cúmulo: gas, estrellas, supernovas, agujeros negros y materia oscura”, concluye el investigador.

_____________________

Referencia bibliográfica:

De Andres, D., Cui, W., Ruppin, F., De Petris, M., Yepes, G., Gianfagna, G., Lahouli, I., Aversano, G., Dupuis, R., Jarraya, M., Vega-Ferrero, J. 2022. A Deep Learning Approach to Infer Galaxy Cluster Masses from Planck Compton−y parameter maps. Nature Astronomy. doi: 10.1038/s41550-022-01784-y

Más cultura científica en UAM Gazette.