{"id":202411,"date":"2025-12-25T21:14:38","date_gmt":"2025-12-25T21:14:38","guid":{"rendered":"https:\/\/www.europesays.com\/pt\/202411\/"},"modified":"2025-12-25T21:14:38","modified_gmt":"2025-12-25T21:14:38","slug":"inteligencia-artificial-e-usada-para-encontrar-a-natureza-da-materia-escura","status":"publish","type":"post","link":"https:\/\/www.europesays.com\/pt\/202411\/","title":{"rendered":"Intelig\u00eancia artificial \u00e9 usada para encontrar a natureza da mat\u00e9ria escura"},"content":{"rendered":"

\"AA din\u00e2mica de um aglomerado de gal\u00e1xias \u00e9 ditado pela mat\u00e9ria escura que representa a maior parte da massa e agora um modelo de IA consegue entender as propriedades olhando para dados de aglomerados. Cr\u00e9dito: NASA \"Roberta Roberta Duarte<\/a> 25\/12\/2025 17:02 7 min <\/p>\n

Uma forma de estudar mat\u00e9ria escura \u00e9 atrav\u00e9s da an\u00e1lise de dados de aglomerados de gal\u00e1xias. A mat\u00e9ria escura tem um papel importante em aglomerados de gal\u00e1xias porque representa a maior parte da massa.<\/strong> Nos \u00faltimos anos, modelos de intelig\u00eancia artificial est\u00e3o sendo usados para encontrar padr\u00f5es nesses dados observacionais e de simula\u00e7\u00f5es para encontrar padr\u00f5es e insights. No entanto, a maioria desses modelos tem pouca interpretabilidade f\u00edsica, dificultando a extra\u00e7\u00e3o de informa\u00e7\u00e3o. <\/p>\n

Para contornar esse problema, f\u00edsicos e astr\u00f4nomos t\u00eam buscado usar modelos com interpretabilidade para aprender representa\u00e7\u00f5es que possam ser analisadas e relacionadas diretamente a estruturas matem\u00e1ticas ou f\u00edsicas conhecidas. Uma estrat\u00e9gia envolve arquiteturas em que as fun\u00e7\u00f5es de ativa\u00e7\u00e3o n\u00e3o s\u00e3o fixas, mas aprendidas a partir dos dados.<\/strong> Isso facilita a identifica\u00e7\u00e3o de depend\u00eancias entre grandezas f\u00edsicas dos dados e consegue ser mais diretamente comparada com modelos te\u00f3ricos.<\/p>\n

\"Intelig\u00eancia<\/a><\/p>\n

Um grupo de pesquisadores chineses desenvolveu um novo modelo denominado Convolutional Kolmogorov\u2013Arnold Network (CKAN). O modelo foi treinado com dados de simula\u00e7\u00f5es de aglomerados de gal\u00e1xias com as informa\u00e7\u00f5es de distribui\u00e7\u00e3o de massa e emiss\u00e3o de raios-X para entender o comportamento da mat\u00e9ria escura.<\/strong> O CKAN permite investigar como estruturas observ\u00e1veis est\u00e3o relacionadas com a distribui\u00e7\u00e3o de mat\u00e9ria escura.<\/p>\n

Mat\u00e9ria escura<\/p>\n

A mat\u00e9ria escura \u00e9 uma componente do Universo que \u00e9 respons\u00e1vel por cerca de 85% da mat\u00e9ria total. <\/strong>Ela n\u00e3o interage com a luz e com nenhuma intera\u00e7\u00e3o al\u00e9m da intera\u00e7\u00e3o gravitacional. Por causa disso, a mat\u00e9ria escura s\u00f3 consegue ser observada indiretamente atrav\u00e9s de curvas de rota\u00e7\u00e3o de gal\u00e1xias, din\u00e2mica de aglomerados, lentes gravitacionais e anisotropias na radia\u00e7\u00e3o c\u00f3smica de fundo. Apesar disso, a natureza microsc\u00f3pica da mat\u00e9ria escura ainda \u00e9 um mist\u00e9rio na Astrof\u00edsica.<\/p>\n

Ainda n\u00e3o se sabe a natureza da mat\u00e9ria escura, ou seja, ainda n\u00e3o se sabe quais part\u00edculas a comp\u00f5em, como se formaram nem se interagem al\u00e9m da gravidade. <\/p>\n

O modelo padr\u00e3o assume mat\u00e9ria escura fria e sem intera\u00e7\u00e3o que descreve bem a estrutura em grandes escalas mas n\u00e3o explica alguns fen\u00f4menos em escalas menores. Uma alternativa \u00e9 a hip\u00f3tese de Self-Interacting Dark Matter (SIDM), na qual as part\u00edculas de mat\u00e9ria escura possuem intera\u00e7\u00f5es entre si com se\u00e7\u00f5es de choque pequenas.<\/strong> Essas intera\u00e7\u00f5es podem redistribuir energia e momento no interior de halos gal\u00e1cticos e explicar algumas observa\u00e7\u00f5es de gal\u00e1xias e aglomerados.<\/p>\n

Redes neurais interpret\u00e1veis<\/p>\n

Redes neurais s\u00e3o usadas na Astronomia e na F\u00edsica para resolver problemas como classifica\u00e7\u00e3o, regress\u00e3o e reconhecimento de padr\u00f5es. No entanto, entender porque uma rede tomou tal decis\u00e3o, que resultou em um resultado, \u00e9 uma limita\u00e7\u00e3o. Dentro da Ci\u00eancia, essa falta de interpretabilidade dificulta encontrar rela\u00e7\u00f5es f\u00edsicas e validar hip\u00f3teses.<\/strong> Em \u00e1reas como Astronomia, onde os dados s\u00e3o complexos, os modelos n\u00e3o fornecem nenhuma compreens\u00e3o sobre os mecanismos f\u00edsicos reais que governam os fen\u00f4menos observados.<\/p>\n

Por causa dessa limita\u00e7\u00e3o, cada vez mais pesquisadores est\u00e3o buscando criar redes neurais interpret\u00e1veis que incorporam estruturas, restri\u00e7\u00f5es ou representa\u00e7\u00f5es que permitam extrair significado f\u00edsico dos modelos. Exemplos incluem arquiteturas com fun\u00e7\u00f5es de ativa\u00e7\u00e3o aprendidas, redes inspiradas em leis de conserva\u00e7\u00e3o e modelos h\u00edbridos. <\/strong>Essas abordagens permitem n\u00e3o apenas prever propriedades mas tamb\u00e9m identificar quais vari\u00e1veis dominam o comportamento observado.<\/p>\n

Novo modelo <\/p>\n

Pesquisadores chineses desenvolveram um novo modelo de intelig\u00eancia artificial interpret\u00e1vel denominado Convolutional Kolmogorov\u2013Arnold Network (CKAN).<\/strong> O CKAN foi desenvolvido com o objetivo de superar a limita\u00e7\u00e3o das redes convolucionais tradicionais. Nessa arquitetura, fun\u00e7\u00f5es de ativa\u00e7\u00e3o fixas s\u00e3o substitu\u00eddas por fun\u00e7\u00f5es de ativa\u00e7\u00e3o trein\u00e1veis. Essa caracter\u00edstica permite que o modelo aprenda representa\u00e7\u00f5es mais flex\u00edveis e fisicamente interpret\u00e1veis.<\/p>\n

\"OO modelo introduzido no artigo Huang et al. 2025 mostra a arquitetura CKAN que usa fun\u00e7\u00f5es trein\u00e1veis durante o processo. Cr\u00e9dito: Huang et al. 2025<\/p>\n

O modelo foi treinado com dados de simula\u00e7\u00f5es cosmol\u00f3gicas de aglomerados de gal\u00e1xias, incluindo diferentes hip\u00f3teses para mat\u00e9ria escura. As entradas do modelo consistem em imagens que possuem tr\u00eas canais: distribui\u00e7\u00e3o de massa total, massa estelar e emiss\u00e3o em raios X.<\/strong> Al\u00e9m de classificar os diferentes modelos f\u00edsicos, a estrutura interna do CKAN pode ser obtida e reescrita em forma simb\u00f3lica. Os resultados ajudaram os pesquisadores a identificar quais caracter\u00edsticas espaciais e f\u00edsicas s\u00e3o mais relevantes para distinguir os cen\u00e1rios de mat\u00e9ria escura.<\/p>\n

Resultados obtidos<\/p>\n

A an\u00e1lise da representa\u00e7\u00e3o do CKAN revelou que a rede neural passou a ver quantidades f\u00edsicas como o deslocamento entre o centro do halo de mat\u00e9ria escura e o centro do aglomerado de gal\u00e1xias<\/strong>. Esses padr\u00f5es extra\u00eddos automaticamente s\u00e3o consistentes com previs\u00f5es te\u00f3ricas indicando que o modelo n\u00e3o apenas classifica os dados corretamente, mas tamb\u00e9m entende rela\u00e7\u00f5es f\u00edsicas reais. <\/p>\n

Combinando m\u00e9tricas de erro com diagn\u00f3sticos de interpretabilidade, os pesquisadores obtiveram um resultado interessante. Eles encontraram que nas escalas de aglomerados de gal\u00e1xias, a hip\u00f3tese SIDM exige uma se\u00e7\u00e3o de choque m\u00ednima da ordem de 0.1-0.3 cm\u00b2\/g. <\/strong>Esse limite \u00e9 consistente com estimativas baseadas em simula\u00e7\u00f5es cosmol\u00f3gicas recentes. Al\u00e9m disso, ao incluir ru\u00eddo observacional, o CKAN manteve sua capacidade e conseguiu manter os erros na mesma ordem. <\/p>\n

Refer\u00eancia da not\u00edcia<\/p>\n

Huang et al. 2025 An Interpretable AI Framework to Disentangle Self-interacting and Cold Dark Matter in Galaxy Clusters: The CKAN Approach <\/a>The Astronomical Journal<\/p>\n","protected":false},"excerpt":{"rendered":"A din\u00e2mica de um aglomerado de gal\u00e1xias \u00e9 ditado pela mat\u00e9ria escura que representa a maior parte da…\n","protected":false},"author":2,"featured_media":202412,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[84],"tags":[36747,443,109,107,108,19324,933,32,33,31984,105,103,104,106,110],"class_list":{"0":"post-202411","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-ciencia-e-tecnologia","8":"tag-aglomerado-de-galaxias","9":"tag-astronomia","10":"tag-ciencia","11":"tag-ciencia-e-tecnologia","12":"tag-cienciaetecnologia","13":"tag-galaxias","14":"tag-inteligencia-artificial","15":"tag-portugal","16":"tag-pt","17":"tag-redes-neurais","18":"tag-science","19":"tag-science-and-technology","20":"tag-scienceandtechnology","21":"tag-technology","22":"tag-tecnologia"},"share_on_mastodon":{"url":"https:\/\/pubeurope.com\/@pt\/115782279624207009","error":""},"_links":{"self":[{"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/posts\/202411","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/comments?post=202411"}],"version-history":[{"count":0,"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/posts\/202411\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/media\/202412"}],"wp:attachment":[{"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/media?parent=202411"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/categories?post=202411"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/tags?post=202411"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}