Lo studio descrive una nuova metodologia per calcolare la massa delle galassie usando il machine learning, i risultati hanno confermato che l’IA è in grado di farlo in modo estremamente accurato
L’Intelligenza Artificiale oggi è in grado anche di “pesare” le galassie e di capire la fisica alla base della forza di gravità. Ad averlo dimostrato un gruppo di ricercatori nell’ambito dell’astrofisica, con uno studio intitolato “Total and dark mass from observations of galaxy centers with Machine Learning”. A firmarlo Sirui Wu, Nicola R. Napolitano, Crescenzo Tortora, Rodrigo von Marttens, Luciano Casarini, Rui Li e Weipeng Lin. Il nuovo algoritmo, chiamato Mela, sarebbe in grado di misurare la massa delle galassie prendendo in considerazione simulazioni e informazioni sulla formazione e l’evoluzione dell’universo. Lo studio è stato guidato dall’Università cinese Sun Yat-sen, a cui ha partecipato anche l’Istituto Nazionale di Astrofisica.
Cosa hanno scoperto i ricercatori
Lo studio descrive una nuova metodologia per calcolare la massa delle galassie (incluso il loro contenuto di materia oscura) usando il machine learning e i risultati hanno confermato che l’intelligenza artificiale è in grado di farlo in modo estremamente accurato. Crescenzo Tortora dell’Inaf di Napoli, uno degli autori dello studio, ha dichiarato: “Il lavoro è stato possibile grazie ad un percorso intrapreso dal nostro gruppo che negli ultimi anni ha esteso le applicazioni dell’IA a diversi settori dell’analisi dati di grandi indagini astronomiche”.
“Abbiamo chiesto a Mela di mostrarci come otteneva i suoi risultati e quali fossero i dati che avessero più importanza per arrivare alle sue conclusioni”, ha spiegato Nicola Napolitano dell’Università Sun Yat-sen, ricercatore Inaf e professore presso l’Università Federico II di Napoli, co-autore dello studio. “La cosa straordinaria è che abbiamo capito che l’algoritmo può capire la fisica delle gravità. Mela può utilizzare le leggi fisiche che conosciamo – prosegue Napolitano – ma presto l’Intelligenza Artificiale potrà imparare anche la fisica che non conosciamo”. Napolitano spiega che con la nuova metodologia “è possibile superare i problemi intrinseci alla dinamica delle galassie. I modelli dinamici, infatti, hanno bisogno di pesanti assunzioni sulla distribuzione dei moti interni delle galassie, che possono non essere totalmente corrette, e necessitano un esborso di risorse enorme per ottenere risultati sufficientemente accurati“.
“L’intelligenza artificiale è pronta a imparare la fisica a partire dai dati”
Lo studio, pubblicato su Arxiv.org e sulla rivista Astronomy & Astrophysics, ha dimostrato per la prima volta che la metodologia sviluppata funziona anche con galassie reali. Nello stesso si legge: “La massa totale della galassia all’interno del raggio effettivo codifica importanti informazioni sulla materia oscura e sul modello di evoluzione delle galassie. Le masse ‘centrali’ totali possono essere dedotte tramite la dinamica galattica o con lenti gravitazionali, ma questi metodi presentano dei limiti. Proponiamo un nuovo approccio, basato sulla Random Forest, per fare previsioni sul contenuto totale e di materia oscura delle galassie utilizzando semplici osservabili provenienti da imaging e indagini spettroscopiche. Utilizziamo cataloghi di fotometria multibanda, dimensioni, massa stellare, ‘misure’ cinematiche (caratteristiche) e materia oscura di galassie simulate, dalla simulazione idrodinamica Illustris-TNG100, per addestrare un algoritmo di apprendimento automatico per la stima della massa (Mela)“.