I ricercatori guidati dall’Istituto di Scienze Cosmologiche dell’Università di Barcellona (ICCUB) hanno sviluppato una nuova tecnica che potrebbe migliorare notevolmente il modo in cui gli scienziati studiano l’espansione dell’Universo e indagano sulla misteriosa forza conosciuta come energia oscura.
Pubblicata su Nature Astronomy , la ricerca introduce un framework chiamato CIGaRS in grado di estrarre molte più informazioni dalle supernove di tipo Ia, le potenti esplosioni stellari utilizzate per misurare immense distanze cosmiche. A differenza di molti approcci attuali, il metodo si basa principalmente su dati di imaging piuttosto che su costose osservazioni spettroscopiche. Si prevede che questo progresso aiuterà gli astronomi a sfruttare appieno gli enormi set di dati che presto arriveranno dalle indagini del cielo di prossima generazione, in particolare quelle condotte dall’Osservatorio Vera C. Rubin.
Perché le supernove di tipo Ia sono importanti?
Le supernove di tipo Ia si verificano quando le nane bianche esplodono. Poiché queste esplosioni raggiungono quasi la stessa luminosità intrinseca, gli astronomi le usano come “candele standard”: confrontando la loro luminosità effettiva con la luminosità apparente dalla Terra, i ricercatori possono calcolarne la distanza.
Queste misurazioni hanno svolto un ruolo cruciale nella scoperta che l’Universo si sta espandendo a un ritmo accelerato. Gli scienziati attribuiscono tale accelerazione all’energia oscura, uno dei quesiti irrisolti più importanti della fisica moderna.
Tuttavia, c’è un’importante complicazione. Le supernove di tipo Ia non sono perfettamente identiche.
Come le galassie ospiti influenzano le misurazioni delle supernove
Negli ultimi 20 anni, gli astronomi hanno scoperto che la luminosità osservata di una supernova è influenzata dalla galassia in cui si verifica. Le supernovae che si trovano in galassie più vecchie o più massicce possono apparire leggermente diverse da quelle che si verificano in galassie più giovani o meno massicce.
I ricercatori hanno in genere tenuto conto di queste differenze utilizzando metodi di correzione relativamente semplici. Sebbene utili, queste approssimazioni possono limitare l’accuratezza delle misurazioni delle distanze e, di conseguenza, la precisione degli studi cosmologici.
Un modello unificato delle supernove e dell’universo
Il nuovo modello affronta questa sfida modellando simultaneamente molteplici fattori. Invece di trattare ogni componente in modo indipendente, i ricercatori hanno costruito un unico modello integrato che include le esplosioni di supernova stesse, le galassie che le ospitano, la polvere che ne altera la luce, le variazioni del tasso di supernova nel corso della storia cosmica e persino l’espansione dell’Universo.
Collegando tutti questi elementi all’interno di un unico quadro statistico e fisico, il team è in grado di individuare relazioni che spesso sfuggono all’analisi dei singoli componenti.
“Un metodo efficace per modellare l’Universo consiste nel simularlo ex novo al computer utilizzando l’inferenza bayesiana”, afferma Raúl Jiménez (ICREA-ICCUB), coautore dello studio. “Questo permette di variare simultaneamente tutti i parametri possibili per prevedere in quale Universo viviamo. Inoltre, grazie a questa capacità, è possibile esaminare possibili ‘sconosciute sconosciute’ per comprenderne l’effetto. L’impatto di queste sistematiche sulla nostra inferenza è probabilmente l’elemento mancante più importante negli attuali approcci alla modellazione dell’Universo.”
Utilizzo dell’intelligenza artificiale per analizzare il cosmo
La costruzione di un modello così completo richiederebbe normalmente un’enorme potenza di calcolo. Per rendere l’approccio pratico, i ricercatori si sono rivolti a una tecnica moderna chiamata inferenza basata sulla simulazione.
Il processo inizia con gli scienziati che generano un gran numero di universi simulati basati su modelli fisici. Una rete neurale (un tipo di intelligenza artificiale) apprende quindi come le osservazioni simulate si relazionano alle proprietà fisiche che le hanno generate. Una volta addestrato, il sistema può confrontare le osservazioni astronomiche reali con le sue simulazioni e determinare i parametri sottostanti più probabili.
Questa strategia permette di analizzare simultaneamente decine di migliaia di supernove, un’operazione che risulterebbe impraticabile con le tecniche tradizionali.
Distanze galattiche precise ricavate esclusivamente dalle immagini.
Uno dei risultati più significativi dello studio è che il modello può determinare le distanze delle galassie (redshift) con elevata precisione utilizzando esclusivamente dati di imaging.
Il redshift misura quanto la luce di una galassia si è allungata a causa dell’espansione dell’Universo. Fornisce informazioni sia sulla distanza della galassia sia su quanto indietro nel tempo la stiamo osservando.
Secondo i ricercatori, il nuovo metodo fornisce stime del redshift con una precisione paragonabile alle misurazioni spettroscopiche, ma senza la necessità di spettri. Questa capacità è particolarmente importante perché si prevede che le prossime indagini identificheranno milioni di candidati supernovae, mentre solo una piccola percentuale potrà realisticamente ricevere osservazioni spettroscopiche di follow-up.
Pronti per l’ondata di dati dell’Osservatorio Rubin
L’Osservatorio Vera C. Rubin, attualmente in costruzione in Cile, dovrebbe iniziare a breve una missione di osservazione del cielo della durata di un decennio. Durante questa missione, scoprirà un numero senza precedenti di supernove. Circa il 99% di questi oggetti sarà osservato solo fotometricamente, ovvero tramite immagini scattate a colori diversi anziché mediante spettri dettagliati.
Il framework CIGaRS è stato sviluppato specificamente tenendo conto di questa sfida.
“A differenza di altri modelli, che richiedono semplificazioni analitiche, il nostro approccio di inferenza end-to-end senza compromessi, basato su simulazioni, è in grado di estrarre in modo univoco tutte le informazioni cosmologiche e astrofisiche dai dati faticosamente raccolti dall’Osservatorio Rubin, evitando al contempo le insidie dei bias di selezione e di modellazione”, afferma Konstantin Karchev (ICCUB-SISSA Trieste), autore principale dello studio.
Approfondimenti sulla formazione delle supernove
I vantaggi vanno oltre la semplice misurazione dell’energia oscura. Il modello fornisce anche nuove informazioni sulle origini stesse delle supernove di tipo Ia.
Ricostruendo come la frequenza di occorrenza delle supernove varia in base all’età delle stelle nelle diverse galassie, il modello aiuta gli scienziati a indagare su questioni di lunga data riguardanti i sistemi che alla fine producono queste esplosioni.
I ricercatori hanno scoperto che combinare simulazioni basate sulla fisica con l’intelligenza artificiale può superare diverse limitazioni degli attuali metodi cosmologici. Stimano che questo approccio potrebbe migliorare i vincoli cosmologici fino a un fattore quattro rispetto alle tecniche tradizionali che dipendono solo da un campione relativamente piccolo di supernove osservate spettroscopicamente.
Mentre l’Osservatorio Rubin si prepara a inaugurare una nuova era di scoperte astronomiche, strumenti come CIGaRS potrebbero aiutare gli scienziati a estrarre la massima quantità di informazioni dalle sue osservazioni e ad acquisire una comprensione più profonda dell’Universo.
Abstract
L’utilizzo delle supernove di tipo Ia come sonde cosmologiche richiede correzioni empiriche correlate con l’ambiente ospite. Qui presentiamo un modello gerarchico bayesiano unificato progettato per dedurre, da osservazioni puramente fotometriche, la dipendenza intrinseca della luminosità delle supernove di tipo Ia dalle proprietà del progenitore (metallicità ed età), la distribuzione del tempo di ritardo che governa il loro tasso in funzione dell’età e della cosmologia, nonché i redshift di tutte le stelle ospiti. Il modello incorpora prescrizioni basate sulla fisica per la formazione stellare e l’evoluzione chimica da Prospector-β, l’estinzione della polvere sia della luce galattica che di quella supernova e gli effetti di selezione osservativa. Mostriamo con simulazioni che le dipendenze intrinseche dalla metallicità e dall’età hanno firme osservative distinte, con la metallicità che imita il ben noto gradino di magnitudini delle supernove di tipo Ia attraverso una massa stellare ospite di ~10 10 M ⊙ . Dimostriamo quindi l’inferenza basata sulla simulazione neurale di tutti i parametri del modello da osservazioni simulate di circa 16.000 supernove di tipo Ia e delle loro stelle ospiti fino a redshift 0,9. Il nostro approccio congiunto basato sulla fisica fornisce redshift fotometrici robusti e precisi (dispersione mediana di circa 0,01) e migliora i vincoli cosmologici di un fattore di circa 4 rispetto alle analisi della piccola frazione di oggetti con follow-up spettroscopico. Questo approccio sblocca tutta la potenza dei dati fotometrici e apre la strada a una pipeline di analisi end-to-end basata sulla simulazione nell’era LSST.
Materiale fornito dall’Università di Barcellona . Nota: il contenuto potrebbe essere modificato per motivi di stile e lunghezza.
Konstantin Karchev, Roberto Trotta, Raúl Jiménez. CIGaRS I: combined simulation-based inference from type Ia supernovae and host photometry. Nature Astronomy, 2026; DOI: 10.1038/s41550-026-02842-5
by 