Un algoritmo per mappare un insieme di probabilità multiforme ed analizzare meglio l’universo

Un nuovo algoritmo per una migliore interpretazione dei terabyte di dati disponibili sull'universo

448
Indice

Mentre i cosmologi meditano su questo e su altri universi possibili, i dati a loro disposizione sono così complessi e vasti che può essere estremamente difficile per gli umani comprendere il quadro d’insieme.

Nell’applicare i principi scientifici utilizzati per creare modelli per la comprensione della biologia cellulare e della fisica alle sfide della cosmologia e dei big data, i ricercatori della Cornell University hanno sviluppato un promettente algoritmo per mappare un insieme di probabilità multiforme.


Il nuovo metodo, che i ricercatori hanno utilizzato per visualizzare i modelli dell’universo, potrebbe aiutare a risolvere alcuni dei più grandi misteri della fisica, come la natura dell’energia oscura o le caratteristiche possibili di altri universi.

La scienza funziona perché le cose si comportano molto più semplicemente di quanto non abbiano diritto“, ha affermato James Sethna, professore di fisica e autore senior di “Visualizzazione dei modelli probabilistici con analisi dei componenti principali intensivi“, pubblicato online il 24 giugno negli Atti della Accademia delle scienze nazionale. “Le cose molto complicate finiscono per avere un comportamento collettivo piuttosto semplice.”

Questo, ha spiegato, succede perché non tutti i fattori di un sistema sono significativi. Ad esempio, milioni di atomi possono essere coinvolti in una collisione fisica, ma il loro comportamento è determinato da un numero relativamente piccolo di costanti. I dati sull’universo raccolti dai potenti telescopi, tuttavia, hanno così tanti parametri che può essere difficile per i ricercatori capire quali sono le misure più importanti per rivelare le intuizioni.

L’algoritmo sviluppato dal primo autore dello studio Katherine Quinn, consente ai ricercatori di immaginare una vasta serie di probabilità per cercare modelli o altre informazioni che potrebbero essere utili e fornisce loro una migliore intuizione per la comprensione di modelli e dati complessi.

Dato che abbiamo dataset molto più grandi e migliori, con terabyte e terabyte di informazioni, diventa sempre più difficile capirli davvero“, ha detto Quinn. “Una persona non può semplicemente sedersi e farlo, è necessario sviluppare algoritmi migliori in grado di estrarre ciò che ci interessa, senza che gli venga detto cosa cercare. Non possiamo semplicemente dire ‘Cerca universi interessanti’. Questo algoritmo è un modo per districare le informazioni in un modo che può rivelare l’interessante struttura dei dati“.

A complicare ulteriormente il compito dei ricercatori c’è il fatto che i dati consistono in intervalli di probabilità, piuttosto che immagini o numeri grezzi. “È un problema difficile da gestire“, ha commentato Quinn.

La loro soluzione sfrutta le diverse proprietà delle distribuzioni di probabilità per visualizzare una raccolta di cose che potrebbero accadereOltre che alla cosmologia, il loro modello ha applicazioni anche per l’apprendimento automatico e la fisica statistica, che funzionano pure loro in termini di previsioni.

Per testare l’algoritmo, i ricercatori hanno utilizzato i dati del satellite Planck dell’Agenzia spaziale europea e li hanno studiati con il co-autore Michael Niemack, professore associato di fisica, il cui laboratorio sviluppa strumenti per studiare la formazione e l’evoluzione dell’universo misurando la radiazione a microonde. Hanno applicato il modello ai dati sulla radiazione cosmica di fondo-radiazione rimasta dai primi giorni dell’universo.

Il modello ha prodotto una mappa che mostra le possibili caratteristiche di diversi universi, di cui il nostro universo è un punto. Questo nuovo metodo di visualizzazione delle qualità del nostro universo evidenzia la struttura gerarchica dell’energia oscura e il modello dominato dalla materia oscura che si adatta così bene ai dati dello sfondo delle microonde cosmiche. Mentre la struttura non è sorprendente, queste visualizzazioni presentano un approccio promettente per ottimizzare le misurazioni cosmologiche in futuro, sostiene Niemack.

In futuro, i ricercatori cercheranno di espandere questo approccio per consentire di utilizzare più parametri per ogni punto di dati. Mappare tali dati potrebbe rivelare nuove informazioni sul nostro universo, su altri possibili universi o sull’energia oscura, che sembra essere la forma dominante di energia nel nostro universo, ma su quali fisici ancora conoscano poco.

Usiamo solo modelli grezzi per spiegare quale energia oscura potrebbe essere, o come potrebbe evolvere nel tempo“, ha detto Niemack. “Ci sono un sacco di diversi parametri che potrebbero essere aggiunti ai modelli, e quindi potremmo visualizzarli e decidere quali sono le misure importanti da privilegiare, per cercare di capire quale modello di energia oscura descrive meglio il nostro universo“.

Fonti: Katherine N. Quinn et al., Visualizzazione di modelli e dati probabilistici con Analisi della componente principale intensiva, Atti della National Academy of Sciences (2019). DOI: 10.1073 / pnas.1817218116, Phys.org