Aprendizado de Máquina ajuda no entendimento da massa de aglomerados de galáxias

Pesquisadores da Institute for Advanced Study e do projeto Cosmology and Astrophysics with MachinE Learning Simulations (CAMELS) da Universidade de Connecticut (UConn) usaram um algoritmo de aprendizado de máquina conhecido como 'regressão simbólica' para gerar novas equações que ajudam a resolver um problema fundamental em astrofísica: inferir a massa de aglomerados de galáxias. O trabalho foi publicado recentemente nos Proceedings of the National Academy of Sciences. Galáxias de aglomerados são os objetos mais massivos do universo: um único aglomerado contém de cem a muitas milhares de galáxias, além de coleções de plasma, gás quente que emite raios-X e matéria escura. Esses componentes são mantidos juntos pela gravidade do aglomerado. Compreender tais aglomerados de galáxias é crucial para determinar a origem e a evolução contínua do nosso universo. 'O número de aglomerados existentes e suas massas podem nos ajudar a entender propriedades fundamentais como a densidade total de matéria no universo, a natureza da energia escura e outras questões fundamentais', diz o co-autor e Professor de Física da UConn, Daniel Anglés-Alcázar. No entanto, medir a massa total de um aglomerado é difícil, pois as galáxias não podem ser 'pesadas' colocando-as em uma escala. Além disso, a matéria escura que compõe grande parte da massa do aglomerado é invisível e, portanto, os cientistas inferem a massa de um aglomerado a partir de outras quantidades observáveis. Digvijay Wadekar, membro atual da School of Natural Sciences da Institute for Advanced Study, trabalhou com colaboradores de dez instituições diferentes para desenvolver um programa de IA que melhorasse o entendimento da relação entre a massa e o YSZ. Seu programa procurou e identificou variáveis adicionais que poderiam tornar a inferência da massa do YSZ mais precisa. O uso do aprendizado de máquina em astrofísica pode trazer muitos benefícios e ajudar a resolver problemas complexos como esse.