La investigación dirigida por la Universidad de Michigan podría ayudar a poner a la cosmología en el camino interno para alcanzar el máximo potencial de los telescopios y otros instrumentos que estudian las preguntas más importantes del universo.
El proyecto mostró cómo un nuevo método computacional recopila más información que sus predecesores a partir de mapas que muestran cómo las galaxias están agrupadas y distribuidas por todo el universo.
Actualmente, los científicos están utilizando instrumentos como DESI, el Instrumento Espectroscópico de Energía Oscura, para crear estos mapas y profundizar en la naturaleza de la energía oscura, la materia oscura y otros misterios cósmicos.
El lado oscuro de la cosmología
Incluso cuando DESI aparece en los titulares ahora, los científicos saben que necesitarán herramientas más avanzadas para encontrar las respuestas que buscan. Algunos están desarrollando la próxima generación de dispositivos como DESI. Minh Nguyen y sus colegas, sin embargo, se centran en mejorar nuestra comprensión de los datos que obtenemos ahora y en el futuro.
“A medida que avanzamos hacia telescopios más grandes y mejores, es posible que estemos desperdiciando más información”, dijo Nguyen, quien dirigió el trabajo como investigador Leinweber en el Departamento de Física de la UM. “Mientras recopilamos más datos, también podemos intentar sacar más provecho de ellos”.
Junto con colegas del Instituto Max Planck de Astrofísica (MPA), Nguyen trabajó con un marco computacional llamado LEFTfield para mejorar la forma en que los científicos modelan la estructura a gran escala del universo y cómo analizarlo.
“En el universo primitivo, la estructura era gaussiana, como la estática que se veía en los televisores antiguos”, dijo Nguyen. “Pero debido a la interacción entre la energía oscura y la materia oscura, la estructura a gran escala del universo actual ya no es gaussiana. Se parece más a una telaraña”.
La energía oscura impulsa la expansión del universo, pero los investigadores no pueden observarla directamente, de ahí la parte “oscura” de su nombre. La materia del universo actúa contra esta expansión con su fuerza gravitacional.
Esta materia se presenta en dos tipos distintos: materia normal que podemos observar e interactuar con ella, y materia oscura que no podemos; nuevamente, de ahí la parte “oscura”.
A la intriga se suma el hecho de que la gran mayoría del equilibrio de masa y energía del universo está ligado a estas misteriosas entidades oscuras. Por tanto, el estudio de los mapas del universo puede abrir nuevas ventanas para investigar la energía y la materia oscuras, que son en gran medida responsables de su estructura en forma de red.
Con LEFTfield, Nguyen y sus colegas demostraron que podían extraer aún más información de mapas cosmológicos existentes. Publicaron su estudio en la revista Physical Review Letters, que también ganó el Premio Buchalter de Cosmología 2024.
Para capturar esta información adicional, el equipo no reforzó los métodos estándar existentes, que han sido invaluables. Más bien, adoptaron un enfoque fundamentalmente diferente.
Fuera del campo izquierdo
La diferencia clave es cómo LEFTfield analiza los datos en comparación con el enfoque estándar.
“Con el análisis cualitativo, básicamente no se puede trabajar con los datos tal como están. La gente tiene que comprimirlos”, dijo Nguyen. “Esto reduce la complejidad del análisis y facilita la realización de predicciones teóricas, pero la desventaja es que se pierde algo de información”.
Para el análisis estándar, los investigadores utilizan mediciones estadísticas y modelos computacionales para hacer los cálculos más eficientes a medida que atraviesan galaxias, agrupándolas en pares o tríadas.
Esto funciona muy bien para las propiedades más gaussianas del universo, dijo Nguyen. Pero él y sus colegas vieron una oportunidad para mejorar nuestra comprensión del universo no gaussiano evitando los métodos estándar de compresión y preservación de información.
El nuevo enfoque, también llamado inferencia a nivel de campo, trata los mapas cosmológicos como cuadrículas 3D. Cada cubo o vóxel componente (la contraparte 3D de un píxel) se convierte entonces en un elemento de trabajo de datos, que contiene información sin comprimir sobre la distribución y densidad de las galaxias.
Esto preserva la integridad de los datos de una manera que es inalcanzable con métodos estándar, dijo Nguyen.
“Me gusta la idea de una estimación a nivel de campo porque, en principio, eso es lo que realmente queremos hacer”, dijo Shawn Hotkis, presentador de la serie de seminarios en línea Cosmology Talks. La serie presentó recientemente a Nguyen y su coautora Beatriz Tucci, estudiante de doctorado en MPA.
“Si hemos medido el campo de densidad, ¿por qué comprimir la información que contiene?” dijo Hotchkiss. “Por supuesto, es más difícil predecir el nivel del campo, pero eso no detuvo a Be y Min, y no debería detener a la comunidad”.
Para comparar el desempeño de LEFTfield, el equipo calculó un parámetro cosmológico llamado sigma-8, que esencialmente mide la profundidad del universo, explicó Nguyen.
En comparación con los métodos estándar, el método LEFTfield del equipo puede mejorar la determinación de sigma-8 en un factor de 3,5 a 5,2.
“Es como pasar de DESI a sucesor de DESI”, dijo Nguyen. “Normalmente, se necesitarían entre 10 y 20 años para realizar la transición entre dos generaciones de encuestas”.
Sin embargo, antes de que se pueda dar ese salto, todavía queda trabajo por hacer. Un obstáculo clave que hay que superar es integrar LEFTfield con herramientas específicas y asegurarse de que comprenda cómo el ruido y las idiosincrasias de las herramientas afectan los datos, dijo Nguyen.
Aún así, cree que el enfoque resultará ser un activo poderoso.
“Realmente abre una vía rápida para obtener conocimientos sobre la energía oscura, la materia oscura y la relatividad general, la teoría en la que se basa todo”, dijo Nguyen.
El equipo de investigación estaba formado por Fabian Schmitt, cosmólogo y líder de grupo en el MPA, el científico Martin Reneck y Andrea Kosti?, quien trabajó en el proyecto como Ph.D. estudiante y luego investigador postdoctoral.
Nguyen completó recientemente su beca en la UM y ahora es investigador en el Instituto Kavli de Física y Matemáticas del Universo en Tokio.
