Se você acha que uma galáxia é grande, compare-a ao tamanho do Universo: é apenas um pequeno ponto que, junto com um enorme número de outros pontos minúsculos, forma aglomerados que se reúnem em superaglomerados, que, por sua vez, se entrelaçam em filamentos intercalados com vazios – um imenso esqueleto tridimensional do nosso Universo.
Se isso te deixou tonto e você está se perguntando como alguém pode compreender ou até mesmo “ver” algo tão vasto, a resposta é: não é fácil. Os cientistas combinam a física do Universo com dados de instrumentos astronômicos e constroem modelos teóricos, como o EFTofLSS (Teoria de Campo Efetivo da Estrutura em Grande Escala). Alimentados por observações, esses modelos descrevem a “teia cósmica” de forma estatística e permitem que seus parâmetros principais sejam estimados.
No entanto, modelos como o EFTofLSS exigem muito tempo e recursos computacionais. Dado que os conjuntos de dados astronômicos de que dispomos estão crescendo exponencialmente, precisamos de formas de aliviar a análise sem perder precisão. É por isso que existem emuladores: eles “imitam” como os modelos respondem, mas operam de forma muito mais rápida.
Como este é um tipo de “atalho”, qual é o risco de perder precisão? Uma equipe internacional, incluindo, entre outros, o INAF (Itália), a Universidade de Parma (Itália) e a Universidade de Waterloo (Canadá), publicou no Journal of Cosmology and Astroparticle Physics (JCAP) um estudo testando o emulador Effort.jl, que foi projetado por eles. O estudo mostra que o Effort.jl oferece essencialmente a mesma precisão que o modelo que imita – às vezes até detalhes mais finos – enquanto roda em minutos em um laptop comum em vez de um supercomputador.
“Imagine querer estudar o conteúdo de um copo d’água no nível de seus componentes microscópicos, os átomos individuais, ou até menores: em teoria, você pode. Mas se quisermos descrever em detalhes o que acontece quando a água se move, o crescimento explosivo dos cálculos necessários torna isso praticamente impossível,” explica Marco Bonici, pesquisador da Universidade de Waterloo e primeiro autor do estudo. “No entanto, você pode codificar certas propriedades no nível microscópico e ver seu efeito no nível macroscópico, ou seja, o movimento do fluido no copo. É isso que uma teoria de campo efetivo faz, ou seja, um modelo como o EFTofLSS, onde a água no meu exemplo é o Universo em escalas muito grandes e os componentes microscópicos são processos físicos em pequena escala.”
O modelo teórico explica estatisticamente a estrutura que dá origem aos dados coletados: as observações astronômicas são alimentadas no código, que calcula uma “previsão”. Mas isso requer tempo e um grande poder computacional. Dada a volume de dados atual – e o que se espera de levantamentos apenas iniciados ou que estão por vir (como o DESI, que já lançou seu primeiro lote de dados, e o Euclid) – não é prático fazer isso exaustivamente toda vez.
“É por isso que agora nos voltamos para emuladores como o nosso, que podem reduzir drasticamente o tempo e os recursos,” continua Bonici. Um emulador basicamente imita o que o modelo faz: seu núcleo é uma rede neural que aprende a associar os parâmetros de entrada com as previsões já computadas do modelo. A rede é treinada com as saídas do modelo e, após o treinamento, pode generalizar para combinações de parâmetros que não viu antes. O emulador não “entende” a física em si: ele conhece muito bem as respostas do modelo teórico e pode antecipar o que ele produziria para uma nova entrada. A originalidade do Effort.jl é que ele reduz ainda mais a fase de treinamento, incorporando no algoritmo o conhecimento que já temos sobre como as previsões mudam quando os parâmetros mudam: em vez de fazer a rede “reaprender” isso, ele utiliza desde o início. O Effort.jl também utiliza gradientes – ou seja, “quanto e em que direção” as previsões mudam se você ajustar um parâmetro por uma pequena quantidade – outro elemento que ajuda o emulador a aprender com muito menos exemplos, reduzindo as necessidades computacionais e permitindo que ele funcione em máquinas menores.
Uma ferramenta como essa precisa de validação extensa: se o emulador não conhece a física, quão certo estamos de que seu atalho fornece respostas corretas (ou seja, as mesmas que o modelo daria)? O estudo recém-publicado responde exatamente a isso, mostrando que a precisão do Effort.jl – em dados simulados e reais – está em estreita concordância com o modelo. “E em alguns casos, onde com o modelo você precisa cortar parte da análise para acelerar as coisas, com o Effort.jl conseguimos incluir aquelas partes faltantes também,” conclui Bonici. Assim, o Effort.jl emerge como um aliado valioso para a análise dos lançamentos de dados futuros de experimentos como DESI e Euclid, que prometem aprofundar muito nosso conhecimento do Universo em escalas grandes.
O estudo “Effort.jl: um emulador rápido e diferenciável para a Teoria de Campo Efetivo da Estrutura em Grande Escala do Universo” por Marco Bonici, Guido D’Amico, Julien Bel e Carmelita Carbone está disponível no Journal of Cosmology and Astroparticle Physics (JCAP).
