L’immagine catturata dal Telescopio Spaziale Hubble della NASA/ESA mostra l’ammasso globulare di stelle NGC 6652. Se intraprendessimo un viaggio attraverso le varie ere dell’astronomia, inizieremmo con gli antichi che si interrogavano sul motivo per cui alcune “luci fisse” popolassero il cielo notturno. Proseguiremmo attraverso epoche in cui si scopre che queste luci sono in realtà corpi celesti simili al nostro Sole e che il nostro pianeta orbita attorno a esso.
Avanzando, assisteremmo alla scoperta della gravità, influenzata dalla struttura dello spaziotempo, e all’osservazione di galassie iridescenti oltre la Via Lattea, fino a calcolare i limiti estremi dei buchi neri supermassicci.
Nel contesto attuale, notiamo un’intensificazione della collaborazione tra astronomi e tecnologie avanzate come il machine learning, che accelera significativamente la nostra capacità di esplorare l’universo. Aritra Ghosh, ricercatore post-dottorato presso l’Università di Washington, è uno degli astronomi coinvolti in queste ricerche innovative.
Recentemente Ghosh ha confermato che le galassie situate nelle regioni più dense dell’universo possono essere fino al 25% più grandi rispetto a quelle di massa e forma simili situate in regioni meno dense. Il “raggio” di una galassia qui considerato comprende il 50% della sua emissione luminosa totale. Questa scoperta è stata possibile grazie all’utilizzo del machine learning per analizzare un numero di galassie – precisamente 2.894.716 – superiore a quello analizzabile umanamente in una vita.
Ghosh ha ottenuto questi dati da un insieme ancora più vasto raccolto tramite GaMPEN, uno strumento capace di analizzare la struttura delle galassie basandosi su parametri specificati dall’utente; nel caso specifico si trattava del rapportarsi tra la luce emessa dal disco esterno delle galassie rispetto al loro nucleo centrale.
Il lavoro svolto ha permesso non solo di utilizzare il catalogo più grande mai impiegato per studiare le dimensioni delle galassie rispetto al loro ambiente ma anche introdotto meccanismi correttivi degli errori quasi assenti negli studii precedenti grazie all’integrazione del machine learning.
Inoltre, i risultati hanno mostrato come le galassie maggiormente grandi tendano ad essere localizzate nei superammassi, contrariamente alle aspettative basate su dinamiche interne agli ammassi stessimi che teoricamente dovrebbero ridurne le dimensioni disperdendo materia nel processo.
Queste osservazioni aprono nuove domande sulla possibile influenza della materia oscura nel mantenere maggiormente grandi le galsssie nelle zone densamente popolate dell’universoo o sulla formazione originaria delle stesse già maggiormente estese o facilità nell’accrescimento tramite fusioni.
Il team sta ora puntando gli occhi verso l’Osservatorio Rubin previsto per illuminare i cieli nei primissimi mesii del 2025 con lo scopoo ddi produrre dataset ancora più massicci
La ricerca condotta da Ghosh è stata pubblicata il 14 agosto sulla rivista The Astrophysical Journal dimonstrando così come macchine possano essere affidabili nell’affrontare questionii riguardanti l’universoo