Roma – Gli algoritmi e le applicazioni di intelligenza artificiale fanno ormai parte della nostra vita quotidiana. La comunità scientifica, tuttavia, ne fa largo utilizzo già da diversi anni e l’Italia, in questo, è all’avanguardia. L’Istituto Nazionale di Astrofisica (INAF), per esempio, ha partecipato ad un progetto guidato da Nicola R. Napolitano, da cinque anni presso la Sun Yat-sen University (Cina), che per la prima volta è riuscito a dimostrare che l’intelligenza artificiale può imparare dalle simulazioni cosmologiche di formazione ed evoluzione dell’universo a misurare correttamente la massa delle galassie. Lo studio che è stato pubblicato oggi sulla rivista Astronomy & Astrophysics, descrive una nuova metodologia per stimare la massa delle galassie (incluso il loro contenuto di materia oscura) usando il Machine Learning.
Nicola R. Napolitano, già ricercatore INAF e ora professore ordinario presso l’Università degli Studi di Napoli Federico II, spiega che “in questo modo, 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’articolo “Total and dark mass from observations of galaxy centers with Machine Learning” dimostra per la prima volta che questa metodologia funziona su cataloghi di galassie reali. Gli esperti hanno confrontato le stime del nuovo codice, denominato MELA (Mass Estimator machine Learning Algorithm), con stime di procedure dinamiche classiche verificando quindi che MELA può riprodurre con incredibile accuratezza le masse dei metodi classici, in alcuni casi molto più laboriosi e basati su dati molto più complessi (per esempio la cinematica 3D) dei dati più semplici di cui MELA ha bisogno e che saranno prodotti per milioni di galassie con i progetti di spettroscopia di nuova generazione in cui INAF è coinvolta, come WEAVE e 4MOST.
Crescenzo Tortora, ricercatore dell’INAF di Napoli che ha partecipato allo studio, aggiunge: “Il lavoro è stato possibile grazie ad un percorso intrapreso dal nostro gruppo che negli ultimi anni ha esteso le applicazioni dell’intelligenza artificiale a diversi settori dell’analisi dati di grandi survey astronomiche. Questo è stato anche possibile grazie all’esperienza acquisita negli ultimi anni con survey a grande campo (nello specifico KiDS al telescopio VST) nella ricerca di lenti gravitazionali, l’analisi della struttura e delle popolazioni stellari delle galassie”.
Come in tanti altri settori, il machine learning è una realtà sempre più concreta nell’ambito dell’astrofisica, non solo nell’analisi dei dati ma anche nel loro sfruttamento scientifico. Napolitano prosegue: “In questo lavoro abbiamo chiesto a MELA di mostrarci come otteneva i suoi risultati e quali fossero le osservabili che avessero più importanza per derivare le sue conclusioni. La cosa straordinaria è che abbiamo capito che MELA può capire la fisica delle gravità”.
L’INAF, e in particolare la sede di Napoli, vanta una storica expertise in materia di dinamica delle galassie con la partecipazione a progetti nati sul solco della tradizione delle fisica delle galassie. I ricercatori Italiani, in particolare Tortora e Napolitano, sono diventati, negli anni, specialisti a livello mondiale con collaborazioni con i gruppi di dinamica delle galassie più importanti nel contesto internazionale e con progetti, come MELA, che sono unici al mondo.
“Da questo lavoro abbiamo capito che l’intelligenza artificiale è pronta a imparare la fisica a partire dai dati”, conclude Napolitano. “Nella fattispecie abbiamo verificato che MELA può utilizzare le leggi fisiche che conoscevamo, ma presto l’intelligenza artificiale potrà ”imparare anche la Fisica che non conosciamo”.(30Science.com)
