Gli studiosi dell'Institute for Advanced Study e del progetto Cosmology and Astrophysics with MachinE Learning Simulations (CAMELS) dell'UConn hanno utilizzato un algoritmo di machine learning noto come 'regressione simbolica' per generare nuove equazioni che aiutano a risolvere un problema fondamentale dell'astrofisica: dedurre la massa dei cluster di galassie.
Gli studiosi dell'Institute for Advanced Study e del progetto Cosmology and Astrophysics with MachinE Learning Simulations (CAMELS) dell'UConn hanno utilizzato un algoritmo di machine learning noto come 'regressione simbolica' per generare nuove equazioni che aiutano a risolvere un problema fondamentale dell'astrofisica: dedurre la massa dei cluster di galassie. Questi cluster sono gli oggetti più massicci dell'universo e sono composti da una vasta gamma di galassie, plasma, gas X caldo ed energia oscura, tenuti insieme dalla gravità del cluster stesso. Misurare il numero di cluster esistenti e la loro massa può aiutare a capire proprietà fondamentali dell'universo come la densità totale di materia, la natura dell'energia oscura e altre questioni cruciali. La difficoltà di misurare la massa di questi cluster ha portato gli studiosi a valutare altre quantità osservabili come la 'pressione elettronica integrata' (o flusso di Sunyaev-Zel'dovich). Tuttavia, questa quantità non è un proxy affidabile per la massa poiché può comportarsi in modo inconsistente tra diversi cluster di galassie. Per risolvere questo problema, gli studiosi hanno utilizzato l'intelligenza artificiale per identificare variabili aggiuntive che potrebbero rendere più accurata la deduzione della massa dalla YSZ.
