fbpx Marcia indietro sull’inflazione cosmica | Science in the net

Marcia indietro sull’inflazione cosmica

Read time: 3 mins

Soltanto qualche mese fa era stata considerata da molti una scoperta scientifica di importanza capitale, eppure ora c’è il rischio che si riveli infondata. Stiamo parlando dell’annuncio, dato il 17 marzo, secondo cui il team dell’esperimento BICEP2 in Antartide avrebbe trovato la prova dell’inflazione cosmica, il rapidissimo espandersi dell’universo subito dopo il Big Bang.
La questione è oltremodo tecnica e complessa, ma nella sostanza si può riassumere così: è possibile che il risultato ottenuto dal gruppo di BICEP2 sia affetto da errori in fase di analisi dei dati.

Già a poche settimane dall’annuncio ci fu un florilegio di teorie che proponevano una spiegazione diversa ai cosiddetti “modi B” di polarizzazione osservati nella radiazione cosmica di fondo, che costituivano la prova schiacciante dell’inflazione. In particolare, più di qualcuno pensava che i modi B potessero essere dovuti all’effetto delle polveri contenute nella nostra galassia (per esempio, vedi qui).
La collaborazione BICEP2 aveva affermato che, in base ai dati, la probabilità di una contaminazione galattica era altamente improbabile. In base ai dati, per l’appunto: ed è proprio qui che si cela il problema.

Quelli utilizzati dal team di BICEP2 erano dati preliminari del satellite Planck (che studia la radiazione cosmica di fondo) riguardanti la polvere della Via Lattea. La parola “preliminari” dovrebbe far sorgere qualche dubbio: analisi successive fornite dal team di Planck, infatti, portano a credere che quei dati sottostimerebbero il contributo della polvere galattica. Nel momento in cui si “sottraggono” quei dati dalla mappa della radiazione cosmica di fondo i modi B permangono, ma non c’è più la certezza che costituiscano la prova dell’inflazione cosmica.

Queste considerazioni hanno portato a una parziale “marcia indietro” da parte della collaborazione BICEP2.
L’articolo definitivo, uscito su Physical Review Letters,  ha un tono decisamente più cauto rispetto a quello dell’annuncio trionfale dato a marzo. Nell’abstract si legge, riguardo ai modelli da loro utilizzati per stimare il contributo della polvere galattica: “Questi modelli non sono sufficientemente vincolati da dati pubblici esterni da escludere la possibilità di un’emissione da parte delle polveri abbastanza intensa da spiegare l’intero segnale in eccesso”.

Insomma, il segnale dei modi B è ancora statisticamente significativo e pertanto il claim originale rimane, ma indebolito quel tanto che basta da doverne riconoscere la possibilità di errore.
L’unico modo per dirimere la questione, a questo punto, è portare avanti l’analisi dei dati di Planck, i cui risultati dovrebbero essere pronti entro la fine di ottobre. Ma c’è di più: sul tavolo c’è anche la possibilità di una collaborazione Planck-BICEP2 finalizzata proprio a dare una risposta quanto più certa alla comunità scientifica.
Jan Tauber, project scientist di Planck, rivela: “Stiamo ancora discutendo i dettagli, ma l’idea è di uno scambio di dati tra i due team e produrre un articolo in collaborazione”.


Scienza in rete è un giornale senza pubblicità e aperto a tutti per garantire l’indipendenza dell’informazione e il diritto universale alla cittadinanza scientifica. Contribuisci a dar voce alla ricerca sostenendo Scienza in rete. In questo modo, potrai entrare a far parte della nostra comunità e condividere il nostro percorso. Clicca sul pulsante e scegli liberamente quanto donare! Anche una piccola somma è importante. Se vuoi fare una donazione ricorrente, ci consenti di programmare meglio il nostro lavoro e resti comunque libero di interromperla quando credi.


prossimo articolo

Why have neural networks won the Nobel Prizes in Physics and Chemistry?

This year, Artificial Intelligence played a leading role in the Nobel Prizes for Physics and Chemistry. More specifically, it would be better to say machine learning and neural networks, thanks to whose development we now have systems ranging from image recognition to generative AI like Chat-GPT. In this article, Chiara Sabelli tells the story of the research that led physicist and biologist John J. Hopfield and computer scientist and neuroscientist Geoffrey Hinton to lay the foundations of current machine learning.

Image modified from the article "Biohybrid and Bioinspired Magnetic Microswimmers" https://onlinelibrary.wiley.com/doi/epdf/10.1002/smll.201704374

The 2024 Nobel Prize in Physics was awarded to John J. Hopfield, an American physicist and biologist from Princeton University, and to Geoffrey Hinton, a British computer scientist and neuroscientist from the University of Toronto, for utilizing tools from statistical physics in the development of methods underlying today's powerful machine learning technologies.