Per migliaia di anni l’umanità ha osservato il cielo come se fosse una superficie: le stelle apparivano distribuite su una cupola luminosa, la volta celeste, un’immensa sfera immaginaria sulla cui superficie interna sembravano fissati tutti gli astri visibili. Questa rappresentazione bidimensionale non era il risultato di un errore concettuale, ma la conseguenza inevitabile della prospettiva umana: senza strumenti adeguati, la profondità dello spazio rimane infatti invisibile, e il cielo appare come un disegno piatto perché l’occhio umano non è in grado di percepire direttamente la distanza delle stelle.
La grande impresa dell’astronomia moderna è stata dunque trasformare questa mappa apparente in una struttura tridimensionale: ricostruire la distanza degli oggetti celesti, comprendere la loro distribuzione nello spazio e rivelare l’architettura della nostra galassia e dell’universo osservabile.
Oggi questa impresa è entrata in una fase nuova: l’enorme quantità di dati prodotta dall’astronomia contemporanea ha reso l’intelligenza artificiale uno strumento praticamente insostituibile: non si tratta soltanto di accelerare i calcoli, l’AI è diventata una vera e propria forma di mediazione tra l’osservazione e la conoscenza scientifica. La cartografia del cielo ha una storia lunga oltre duemila anni. (1)
Per secoli il cielo fu rappresentato attraverso due sole coordinate, equivalenti celesti della longitudine e della latitudine terrestri: ogni oggetto era identificato dalla sua posizione sulla sfera celeste, ma la distanza rimaneva ignota.
La svolta arrivò nel XIX secolo, quando Friedrich Bessel riuscì a misurare per la prima volta la parallasse stellare, dimostrando che le stelle non si trovano su una superficie ma occupano realmente lo spazio tridimensionale.
All’inizio del XX secolo un’altra scoperta rivoluzionò la nostra visione del cosmo: Edwin Hubble dimostrò che la galassia di Andromeda non appartiene alla Via Lattea. L’universo si rivelò improvvisamente immensamente più grande. Negli ultimi decenni l'opera di catalogazione delle singole stelle ha subito un'enorme accelerazione grazie a strumenti posizionati direttamente nello spazio che hanno individuato la posizione e misurato la distanza di miliardi di stelle.
Per costruire una mappa tridimensionale del cosmo è necessario conoscere tre coordinate: due angolari (posizione nel cielo) ed una radiale (distanza).
Quando un telescopio - come Hubble Space Telescope, James Webb Space Telescope o un qualunque osservatorio terrestre - fotografa una regione del cielo, registra per ogni oggetto individuato soltanto due coordinate angolari:
"α", ascensione retta o RA (Right Ascension, equivalente della longitudine terrestre),
"δ", la declinazione o Dec (Declination, equivalente della latitudine). (2)
Il sensore integrato ne registra inoltre luminosità e spettro della luce, dati che, come vedremo, sono fondamentali per inferire la profondità, cioè la distanza dell'oggetto osservato dalla Terra. (3) Ricostruire la profondità del cielo richiede la misura della distanza degli oggetti astronomici, ma non esiste un unico metodo valido per tutte le scale: gli astronomi utilizzano invece una catena di tecniche interconnesse, nota come "scala delle distanze cosmiche".
Il primo gradino è costituito dalla parallasse, il minuscolo spostamento apparente di una stella osservata da due punti opposti dell’orbita terrestre. Anche per stelle relativamente vicine l’angolo misurato può essere inferiore a un millesimo di secondo d’arco. Le missioni astrometriche moderne generano cataloghi con miliardi di misure (posizioni, moti propri, luminosità, colori e parallassi): l’analisi di una quantità così vasta di informazioni richiede necessariamente l'utilizzo di strumenti computazionali avanzati.
Ed è qui che entra in gioco l’intelligenza artificiale, usata non solo per accelerare il calcolo, ma per ricostruire la struttura tridimensionale della galassia a partire da dati incompleti, rumorosi ed altamente multidimensionali. Grazie alla parallasse - missioni come Gaia hanno fornito misure di parallasse estremamente precise permettendo così di determinare la distanza di milioni di stelle vicine con metodi puramente geometrici - è possibile calibrare il secondo gradino della scala: le stelle cefeidi, la cui luminosità intrinseca è legata al loro periodo di pulsazione. (4)
Se vogliamo misurare la distanza di una cefeide troppo lontana per poter utilizzare la parallasse, possiamo confrontare la sua luminosità apparente con quella di una cefeide identica ma più vicina, la cui distanza sia nota. Fu proprio questo il metodo utilizzato negli anni Venti del Novecento da Edwin Hubble cui abbiamo accennato poc'anzi. A distanze ancora maggiori intervengono le supernovae di tipo Ia - il terzo gradino della scala -, esplosioni stellari che avvengono quando una nana bianca supera il limite di stabilità teorico calcolato da Subrahmanyan Chandrasekhar.
Poiché queste esplosioni hanno luminosità intrinseche molto simili tra loro, funzionano come vere e proprie candele standard cosmologiche.
Le supernovae di tipo Ia sono osservabili a miliardi di anni luce di distanza, e fu proprio il loro studio che negli anni Novanta portò alla scoperta dell’espansione accelerata dell’universo. (5)
Alle scale cosmologiche ancora più grandi la distanza viene infine dedotta dallo redshift, lo spostamento verso il rosso della luce delle galassie dovuto all’espansione cosmica (quarto ed ultimo gradino della scala): questo fenomeno, interpretato nel 1929 da Edwin Hubble ed oggi noto come legge di Hubble-Lemaître, collega la distanza delle galassie alla velocità con cui si allontanano reciprocamente a causa dell’espansione dell’universo. (6)
Grazie ad esso è possibile mappare l’universo su scale di miliardi di anni luce.
Ognuno dei gradini della scala delle distanze cosmiche genera oggi quantità enormi di dati: telescopi spaziali e grandi survey astronomiche osservano milioni o centinaia di milioni di oggetti. In questo contesto l’intelligenza artificiale svolge funzioni cruciali:
stimare distanze stellari quando le misure di parallasse sono rumorose o incomplete;
identificare automaticamente cefeidi e supernovae;
calcolare redshift fotometrici per milioni di galassie;
correggere bias osservativi complessi.
Senza algoritmi di apprendimento automatico, la cosmologia osservativa moderna sarebbe semplicemente impraticabile. (7)
Uno degli esempi più significativi dell’utilizzo dell’AI in astronomia è la missione Gaia dell’ESA, un satellite che ha misurato con precisione straordinaria posizione, distanza e movimento di oltre un miliardo e mezzo di stelle della Via Lattea producendo il più grande catalogo stellare mai realizzato.
L’intelligenza artificiale è utilizzata in diversi passaggi fondamentali:
la classificazione automatica delle stelle basata su colori e spettri: algoritmi di machine learning analizzano lo spettro e i colori stellari per classificare milioni di stelle in base a temperatura, età e composizione chimica;
la stima probabilistica delle distanze quando la parallasse è incerta: in molti casi l’errore sulla parallasse è troppo grande per ricavare direttamente la distanza ed intervengono allora reti neurali addestrate su campioni di stelle ben calibrate che riescono ad inferire distanze probabilistiche utilizzando luminosità, colore e posizione galattica;
l'identificazione di sistemi binari e stelle variabili analizzando le variazioni temporali della luminosità: pattern temporali nella luminosità vengono riconosciuti automaticamente permettendo di scoprire milioni di sistemi stellari complessi.
Grazie a queste tecniche è stato possibile ricostruire la più dettagliata mappa tridimensionale della nostra galassia - che rivela una struttura sorprendentemente complessa: un disco ondulato, correnti stellari residue di antiche collisioni galattiche e una distribuzione intricata di ammassi e popolazioni stellari - e di identificare con precisione la posizione del Sistema Solare nel braccio locale.
Un’altra applicazione fondamentale dell’AI riguarda la mappatura tridimensionale della polvere interstellare.
La polvere cosmica assorbe ed arrossa la luce delle stelle, alterando le osservazioni: per comprendere realmente la struttura della galassia è quindi necessario sapere dove si trovi nello spazio 3d.
Combinando distanza stellare, luminosità osservata e colore, algoritmi di apprendimento automatico e metodi bayesiani riescono a ricostruire la distribuzione tridimensionale della polvere.
Queste mappe hanno rivelato nel nostro vicinato galattico enormi bolle di gas caldo prodotte da antiche supernovae e vaste cavità a bassa densità nel mezzo interstellare.
L’Intelligenza Artificiale consente inoltre di ricostruire la struttura della galassia anche nelle regioni oscurate da dense nubi di polvere: integrando osservazioni infrarosse, modelli fisici e correlazioni statistiche, gli algoritmi inferiscono la distribuzione più probabile delle stelle anche nelle zone che non possiamo osservare direttamente.
Poi, la Via Lattea non è una struttura statica: nel corso della sua lunga storia ha inglobato numerose galassie più piccole.
I resti di queste collisioni sopravvivono sotto forma di correnti stellari, lunghi flussi di stelle che si muovono insieme nello spazio.
Tecniche di clustering basate su AI analizzano simultaneamente posizione tridimensionale, velocità stellare, composizione chimica ed orbite galattiche, permettendo così di identificare numerose strutture fossili della storia della nostra galassia.
Gli strumentidi cui oggi disponiamo permettono di osservare stelle individuali anche in galassie esterne (8)
Per lungo tempo si pensò che ciò fosse impossibile oltre il Gruppo Locale, tuttavia la combinazione di telescopi spaziali e fenomeni relativistici ha cambiato la situazione: le lenti gravitazionali (9), previste dalla Relatività Generale, possono amplificare la luce di stelle estremamente lontane.
Un esempio celebre è Earendel (WHL0137-LS), una stella osservata inizialmente dal telescopio spaziale Hubble e successivamente studiata dal James Webb Space Telescope: questa stella si trova a circa 13 miliardi di anni luce di distanza e rappresenta l’oggetto stellare individuale più distante mai osservato. (10)
Identificare oggetti così rari richiede analisi automatizzate su miliardi di sorgenti l’AI è dunque fondamentale per distinguere una singola stella lontanissima da galassie compatte, ammassi stellari, transienti o artefatti strumentali.
Per portare a termine un tale compito gli algoritmi di machine learning devono analizzare variazioni temporali della luminosità, forma dell’immagine, spettro luminoso e modelli di lente gravitazionale.
Esiste inoltre un’altra categoria di stelle potenzialmente identificabili: le stelle intracluster.
Si tratta di soli espulsi durante collisioni tra galassie e che oggi vagano nello spazio intergalattico (11); l’analisi statistica della loro luce diffusa indica che una frazione significativa delle stelle dell’universo potrebbe non appartenere più a una galassia specifica.
Le stelle extragalattiche sono quindi punti di riferimento tridimensionali che collegano la nostra galassia al resto del cosmo.
Quando - invece che stelle singole - osserviamo galassie lontane, scopriamo che queste non sono distribuite casualmente nello spazio ma formano una gigantesca struttura tridimensionale composta da filamenti di galassie, ammassi, pareti cosmiche ed enormi vuoti: questa architettura è nota come rete cosmica e fa sì che, su scale di centinaia di milioni di anni luce, l’universo assomigli ad una struttura neuronale o ad una spugna tridimensionale.
La sua origine risiede nelle minuscole fluttuazioni di densità presenti nell’universo primordiale, osservabili nel fondo cosmico a microonde misurato dalla missione Planck.
Nel corso di miliardi di anni la gravità ha amplificato queste fluttuazioni, provocando il collasso della materia oscura in filamenti che hanno successivamente attirato il gas e favorito la nascita delle galassie e degli ammassi: ecco che la mappa tridimensionale dell’universo costituisce anche una mappa della storia cosmica).
Mappare questa struttura richiede l'aver disponibili tre diverse informazioni - posizione angolare nel cielo, distanza e redshift (la velocità cosmologica) - riferite a centinaia di milioni di galassie: survey moderne, quali lo Sloan Digital Sky Survey, Euclid e Vera C. Rubin Observatory (12), producono quantità di dati che nessun essere umano potrebbe analizzare manualmente.
Qui l’intelligenza artificiale svolge tre funzioni principali:
stima del redshift fotometrico: poiché ottenere lo spettro completo di ogni galassia osservata è impraticabile su larga scala, le AI vengono addestrate a stimare il redshift utilizzando esclusivamente informazioni fotometriche, come colori osservati, luminosità e morfologia galattica. Reti neurali addestrate su campioni calibrati spettroscopicamente sono in grado di determinare simultaneamente la distanza di milioni di oggetti, trasformando così immagini bidimensionali del cielo in mappe tridimensionali della distribuzione cosmica.
ricostruzione dei filamenti cosmici: algoritmi di machine learning identificano strutture coerenti nello spazio tridimensionale analizzando la distribuzione delle galassie su larga scala. Tecniche di clustering non supervisionato, approcci basati su grafi cosmologici e metodi topologici consentono di individuare automaticamente filamenti, ammassi e vuoti cosmici, permettendo alla rete cosmica di emergere direttamente dai dati osservativi senza essere imposta da modelli geometrici predefiniti.
inferenza della materia oscura: poichè la maggior parte della massa dell’universo è invisibile, la sua distribuzione deve essere dedotta indirettamente. L’intelligenza artificiale analizza gli effetti della lente gravitazionale debole, combinando statisticamente le minuscole distorsioni nelle forme apparenti di milioni di galassie di fondo. Da queste correlazioni è possibile ricostruire vere e proprie mappe tridimensionali della distribuzione della materia oscura su scale cosmologiche.
Assistiamo così ad un cambiamento concettuale fondamentale: l’universo osservabile viene oggi trattato come un gigantesco dataset multidimensionale in cui ogni galassia è descritta da numerosi parametri fisici: posizione spaziale, spettro, massa stellare, età, tasso di formazione stellare ed ambiente cosmico.
L’intelligenza artificiale è in grado di individuarvi correlazioni tra milioni di variabili simultaneamente, un compito impossibile per l’analisi tradizionale.
L’impatto dell’intelligenza artificiale sull’astronomia non è soltanto tecnologico ma epistemologico.
Nel XVII secolo il telescopio di Galileo Galilei rese visibili fenomeni che l’occhio umano non poteva percepire: montagne sulla Luna, satelliti attorno a Giove, innumerevoli stelle invisibili a occhio nudo.
Nel XXI secolo l'Intelligenza Artificiale svolge un ruolo analogo su un piano differente: non estende i limiti della percezione, ma quelli dell’inferenza (13) rendendo comprensibili strutture che la mente umana non potrebbe intuitivamente cogliere nei dati).
Siamo ormai in grado di visualizzare la posizione della Via Lattea nei filamenti cosmici, l’evoluzione delle strutture su miliardi di anni e la distribuzione della materia oscura: non osserviamo più soltanto oggetti astronomici isolati, ma analizziamo la geometria globale dell’universo.
In questa prospettiva la volta celeste che appare ai nostri occhi rappresenta soltanto una sezione bidimensionale di una struttura molto più complessa: una rete cosmica tridimensionale che evolve nel tempo.
L’intelligenza artificiale non si limita dunque a mappare stelle e galassie, ma contribuisce a trasformare il cielo da immagine osservata a struttura inferita: la cartografia celeste moderna non consiste più soltanto nel disegnare ciò che vediamo, ma nel ricostruire ciò che non possiamo vedere direttamente.
Ed è proprio in questa trasformazione - dal cielo osservato all’universo inferito - che l’intelligenza artificiale ha assunto un ruolo ormai insostituibile.
Rimane un ultimo punto da esaminare, il ruolo dell'AI nello sviluppo dei modelli cosmologici: ma questo sarà argomento di un post successivo.
Note:
(1) Già nel II secolo a.C. l’astronomo greco Ipparco di Nicea compilò uno dei primi cataloghi stellari sistematici, registrando posizione e luminosità di circa un migliaio di stelle visibili a occhio nudo.
Nel II secolo d.C. Claudio Tolomeo, nell’Almagesto, perfezionò questa tradizione catalogando oltre mille stelle e introducendo una descrizione geometrica coerente della sfera celeste, destinata a rimanere il riferimento astronomico per oltre un millennio.
(2) Il criterio utilizzato deriva dal concetto di sfera celeste: si immagina la Terra al centro di una grande sfera ideale sulla cui superficie interna risultano proiettati tutti gli oggetti osservabili nel cielo.
L'ascensione retta (RA, Right Ascension, α) è l’equivalente celeste della longitudine terrestre e misura quanto un oggetto è spostato verso est rispetto al punto vernale, ossia la posizione del Sole all’equinozio di primavera; si esprime in ore, minuti e secondi, poiché la rotazione apparente della sfera celeste completa un giro in circa 24 ore (1h di ascensione retta è pari a 15° di angolo: 360° / 24h = 15°/h).
La declinazione (Dec, Declination, δ) è invece l’equivalente della latitudine terrestre ed indica la distanza angolare di un oggetto dall’equatore celeste: si misura in gradi da +90° (polo nord celeste) a −90° (polo sud celeste).
Un oggetto celeste - stella, galassia o pianeta - è individuato univocamente dalla coppia di coordinate (α, δ)
Ad esempio la Galassia di Andromeda (M31) è identificata da RA = 00h 42m 44s e Dec = +41° 16′ 9″, una posizione nel cielo boreale circa 41° sopra l’equatore celeste.
(3) Quando osserviamo un oggetto astronomico lo vediamo com’era nel passato, ossia nel momento in cui i fotoni che trasportano l’informazione luminosa hanno lasciato la sorgente: l’astronomia è quindi intrinsecamente una scienza storica, osservare lontano nello spazio equivale a osservare indietro nel tempo.
(4) Questa relazione, scoperta nel 1912 da Henrietta Swan Leavitt - che dimostrò come il periodo di variazione delle stelle Cefeidi sia direttamente correlato alla loro luminosità intrinseca - permette di stimare la distanza di galassie relativamente vicine.
(5) L’espansione accelerata dell’universo fu scoperta alla fine degli anni Novanta dai gruppi guidati da Saul Perlmutter, Brian Schmidt ed Adam Riess attraverso lo studio di supernovae di tipo Ia.
(6) La relazione tra distanza delle galassie e velocità di recessione, oggi nota come legge di Hubbl-Lemaître, costituisce il fondamento della cartografia cosmica moderna.
Quando la luce di una galassia viaggia verso di noi, l’espansione dell’universo ne allunga le lunghezze d’onda: questo fenomeno è detto redshift (z).
In generale maggiore è il redshift, maggiore è la distanza cosmologica, più remoto nel tempo è l’oggetto osservato.
La relazione precisa tra redshift e distanza dipende dal modello cosmologico adottato (parametri come H₀, ΩΛ, ecc.).
La profondità tridimensionale del cielo viene quindi determinata:
spettroscopicamente, misurando direttamente lo spettro della luce;
fotometricamente, stimando il redshift dal colore complessivo dell’oggetto.
(7) Molte tecniche utilizzate appartengono all’apprendimento automatico moderno:
reti neurali profonde per stimare distanze stellari e parametri fisici;
processi gaussiani per interpolare mappe tridimensionali della polvere interstellare;
algoritmi di clustering (come HDBSCAN) per identificare gruppi stellari con origine comune;
metodi bayesiani gerarchici per combinare osservazioni provenienti da strumenti diversi.
Questi approcci consentono di estrarre struttura fisica significativa da dataset astronomici estremamente complessi.
(8) I telescopi moderni permettono di risolvere stelle individuali in molte galassie del Gruppo Locale, tra cui la galassia del Triangolo (M33) e la Grande e Piccola Nube di Magellano. Sono osservabili Cefeidi, giganti rosse, stelle massicce giovani e resti di supernovae.
(9) Il fenomeno è previsto dalla Relatività Generale: ammassi di galassie massicci agiscono come lenti cosmiche curvando la traiettoria dei fotoni ed amplificando la luce di oggetti molto lontani situati alle loro spalle.
(10) La scoperta di Earendel è stata annunciata il 30 marzo 2022 utilizzando osservazioni risalenti a campagne 2016 e 2019 dell’Hubble Space Telescope nell’ambito del programma RELICS (Reionization Lensing Cluster Survey).
La stella è visibile grazie a un fortissimo effetto di lente gravitazionale prodotto da un ammasso di galassie che amplifica la luce proveniente dalla galassia soprannominata Sunrise Arc.
Successive osservazioni del James Webb Space Telescope - dotato di una tecnologia ad infrarossi che ha consentito di analizzare meglio il colore e la composizione della stella - hanno fornito immagini molto più dettagliate a partire dal 30 luglio 2022: oltre a confermare la scoperta, hanno suggerito che l’oggetto possa appartenere ad un sistema binario.
La luce osservata fu emessa circa 12,9 miliardi di anni fa, quando l’universo aveva meno di un miliardo di anni (solo il 7% della sua età attuale).
La distanza comovente attuale è di circa 28 miliardi di anni luce, valore reso possibile dall’espansione cosmica.
Earendel era probabilmente una stella di tipo spettrale B estremamente massiccia (oltre le 50 e le 100 masse solari) e calda (13.000–16.000 K), milioni di volte più luminosa del Sole. Data la breve vita delle stelle di grande massa, è quasi certamente esplosa come supernova miliardi di anni fa.
Data la breve vita delle stelle di grande massa (pochi milioni di anni), è quasi certamente esplosa come supernova miliardi di anni fa.
Ciò che oggi resta di lei dipende dalla massa posseduta dal suo nucleo al momento del collasso: buco nero, stella di neutroni o addirittura nulla (nel caso la sua massa fosse stata superiore alle 140 masse solari avrebbe dato luogo ad una "supernova ad instabilità di coppia").
Recentissime analisi dei dati raccolti da JWST suggeriscono nuove ipotesi sulla sua natura:
l'esistenza di una sua stella compagna più fredda e rossa - cosa abbastanza comune nel caso di stelle di grande massa - invisibile ad Hubble in quanto la sua luce "stirata" dall'espansione dell'universo cade in lunghezze d'onda rilevabili soltanto dal JWST;
che si tratti di un ammasso stellare compatto, uno dei primi gruppi di stelle mai formatisi;
che si tratti di una stella di Popolazione III, le primissime nate dopo il Big Bang, composta solo da idrogeno ed elio: analisi spettroscopiche con lo strumento NIRSpec mirano a determinarne la metallicità e verificare se possa appartenere alla rara popolazione di stelle primordiali.
(11) Sono state osservate stelle intracluster, non legate gravitazionalmente a singole galassie, in ammassi di galassie quali Virgo Cluster dove popolazioni stellari diffuse occupano lo spazio intergalattico.
(12) Il ruolo dell’intelligenza artificiale diventerà ancora più centrale con le nuove generazioni di survey: il Vera Rubin Observatory produrrà ogni notte decine di terabyte di dati osservativi.
Algoritmi di AI identificheranno automaticamente nuovi oggetti astronomici, fenomeni transienti come supernovae e aggiorneranno continuamente la mappa tridimensionale del cielo, rendendo l’AI parte integrante del telescopio moderno.
(13) Oggi l’intelligenza artificiale svolge un ruolo in parte analogo a quello del telescopio galileiano, ma su un piano differente: poiché la quantità di informazioni prodotte dall’astronomia moderna supera ciò che l’intuizione umana può analizzare direttamente, l’AI diventa uno strumento cognitivo capace di individuare correlazioni, strutture e geometrie nascoste in enormi archivi osservativi.
In questo senso essa rappresenta una nuova forma di mediazione tra osservazione e conoscenza scientifica.
Nessun commento:
Posta un commento