Compreendendo algo tão vasto

Se isso lhe dá vertigem e você está se perguntando como alguém pode entender ou até mesmo “ver” algo tão vasto, a resposta é: não é fácil. Cientistas combinam a física do Universo com dados de instrumentos astronômicos e constroem modelos teóricos, como o EFTofLSS (Teoria de Campo Eficaz da Estrutura em Grande Escala). Alimentados com observações, esses modelos descrevem a “rede cósmica” estatisticamente e permitem que seus parâmetros principais sejam estimados.

A importância dos emuladores

No entanto, modelos como o EFTofLSS exigem muito tempo e recursos computacionais. Uma vez que os conjuntos de dados astronômicos à nossa disposição estão crescendo exponencialmente, precisamos de maneiras de simplificar a análise sem perder precisão. É por isso que os emuladores existem: eles “imitam” como os modelos respondem, mas operam muito mais rápido.

Testando a precisão dos emuladores

Uma vez que isso é uma espécie 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 projetaram. O estudo mostra que o Effort.jl oferece essencialmente a mesma exatidão que o modelo que imita – às vezes até com detalhes mais finos – enquanto roda em minutos em um laptop padrão em vez de um supercomputador.

Os desafios da modelagem teórica

“Imagine querer estudar o conteúdo de um copo com água no nível de seus componentes microscópicos, os átomos individuais, ou ainda 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, um 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. Isso é o que uma teoria de campo eficaz 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.”

Processamento de dados astronômicos

O modelo teórico explica estatisticamente a estrutura que dá origem aos dados coletados: as observações astronômicas são alimentadas no código, que computa uma “previsão”. Mas isso exige tempo e substancial poder computacional. Dada a volume atual de dados – e o que é esperado de levantamentos recém-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.

A eficiência dos emuladores

“É por isso que agora recorremos a emuladores como o nosso, que podem reduzir drasticamente o tempo e os recursos”, continua Bonici. Um emulador essencialmente 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. 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 ao algoritmo o conhecimento que já temos sobre como as previsões mudam quando os parâmetros mudam: em vez de fazer a rede “re-aprender” isso, ela utiliza desde o início. O Effort.jl também usa gradientes – ou seja, “quanto e em qual direção” as previsões mudam se você ajustar um parâmetro por uma quantidade ínfima – outro elemento que ajuda o emulador a aprender com muito menos exemplos, reduzindo as necessidades computacionais e permitindo que ele funcione em máquinas menores.

Validação do emulador

Uma ferramenta como esta necessita de ampla validação: se o emulador não conhece a física, quão certos estamos de que seu atalho produz 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 tem que cortar parte da análise para acelerar as coisas, com o Effort.jl fomos capazes de incluir essas peças que estavam faltando”, conclui Bonici. O Effort.jl, portanto, se destaca como um aliado valioso para analisar os lançamentos de dados próximos de experimentos como DESI e Euclid, que prometem aprofundar significativamente nosso conhecimento do Universo em grandes escalas.

Publicação do estudo

O estudo “Effort.jl: um emulador rápido e diferenciável para a Teoria de Campo Eficaz da Estrutura em Grande Escala do Universo” de Marco Bonici, Guido D’Amico, Julien Bel e Carmelita Carbone está disponível no Journal of Cosmology and Astroparticle Physics (JCAP).