Durante muito tempo, estudar a matéria escura significou lidar com sombras. Ela não emite luz, não reflete radiação e quase não interage com a matéria comum. Ainda assim, responde por cerca de 85% de toda a matéria do Universo e é essencial para explicar a formação e a estabilidade das grandes estruturas cósmicas. Diante desse desafio, a ciência começa a recorrer a uma aliada poderosa: a inteligência artificial interpretável.
Um enigma antigo diante de ferramentas modernas
A existência da matéria escura é inferida por efeitos gravitacionais observados em galáxias e aglomerados, como curvas de rotação anômalas, lentes gravitacionais e padrões no fundo cósmico de micro-ondas. Esses dados são vastos e complexos, o que tornou os modelos de aprendizado de máquina especialmente atraentes.
O problema é que, na maioria dos casos, essas redes funcionam como “caixas-pretas”: produzem classificações eficientes, mas não explicam quais leis físicas estão sendo capturadas. Para a física, isso é uma limitação séria. Prever não basta — é preciso entender.
Quando a IA deixa de ser uma caixa-preta
Nos últimos anos, surgiu uma tendência clara: desenvolver modelos de IA que não apenas acertem, mas também expliquem. Uma das abordagens mais promissoras é permitir que os próprios componentes internos da rede — como funções de ativação — sejam aprendidos a partir dos dados, em vez de definidos previamente.
Essa estratégia abre espaço para que a IA descubra relações matemáticas que possam ser comparadas diretamente com teorias físicas conhecidas, aproximando o aprendizado de máquina da investigação científica tradicional.
CKAN: uma rede neural que aprende física
É nesse contexto que entra o CKAN (Convolutional Kolmogorov–Arnold Network), um modelo criado por pesquisadores chineses. Diferente das redes convolucionais clássicas, o CKAN utiliza funções de ativação treináveis, o que lhe confere maior flexibilidade e, principalmente, interpretabilidade.
O modelo foi treinado com simulações cosmológicas de aglomerados de galáxias sob diferentes hipóteses de matéria escura. As entradas incluíam mapas da distribuição de massa total, da massa estelar e da emissão de raios X — três observáveis fundamentais na cosmologia de aglomerados.
Fria ou autointeragente? A matéria escura em disputa
O modelo padrão assume matéria escura fria e sem interação além da gravidade. Embora eficaz em grandes escalas, essa hipótese enfrenta dificuldades em escalas menores. Uma alternativa é a matéria escura autointeragente, cujas partículas colidem fracamente entre si, alterando a estrutura interna dos halos galácticos.
O CKAN conseguiu diferenciar esses cenários e, mais importante, revelou quais grandezas físicas sustentavam essa distinção.
Um sinal revelador nos halos galácticos
Entre os padrões identificados pela rede está o deslocamento entre o centro do halo de matéria escura e o centro visível do aglomerado — exatamente um efeito previsto por modelos de matéria escura autointeragente. Isso indica que o sistema não apenas classifica imagens, mas reconhece relações físicas reais.
Com isso, os pesquisadores conseguiram estimar limites para a intensidade dessas interações, apontando uma seção transversal mínima entre 0,1 e 0,3 cm²/g, em concordância com estudos independentes.
Um novo papel para a inteligência artificial na cosmologia
Mais do que um resultado isolado, este trabalho sugere uma mudança de paradigma. A inteligência artificial deixa de ser apenas uma ferramenta de análise e passa a atuar como um meio de descoberta científica.
Em um Universo dominado por algo que não podemos ver, modelos interpretáveis como o CKAN podem ajudar a transformar dados em compreensão — e aproximar a cosmologia de respostas que, até pouco tempo atrás, pareciam inalcançáveis.
