Giorgio Parisi risolve il mistero della galassia invisibile con l'intelligenza artificiale

La galassia invisibile e il premio Nobel che l’ha svelata

Per anni una galassia primordiale ha messo in difficoltà gli astrofisici: troppo debole, troppo elusiva, quasi “trasparente” agli strumenti tradizionali. Ora quel mistero decennale è stato risolto. A farlo è stato un team internazionale guidato da Giorgio Parisi, Premio Nobel per la Fisica 2021, che ha usato l’intelligenza artificiale per interpretare dati raccolti da tempo dai telescopi. Non un nuovo strumento puntato verso il cielo, ma un nuovo modo di leggere ciò che già avevamo in archivio (e qui sta il punto interessante).

La ricerca, promossa dall’INAF, l’Istituto Nazionale di Astrofisica, riguarda una galassia che racconta letteralmente l’alba dell’universo. Parlare di scoperta, in questo caso, è quasi riduttivo. Non sono comparsi nuovi fotoni dal nulla: sono stati riconosciuti pattern nascosti in osservazioni che gli scienziati avevano già sotto mano da anni, senza riuscire a decifrarli fino in fondo.

Cosa significa “trasparente” in astronomia

Il termine può trarre in inganno. Una galassia “trasparente” non è invisibile in senso assoluto: semplicemente emette pochissima radiazione nelle lunghezze d’onda che gli astronomi usano di solito per la ricerca, come il visibile o il vicino infrarosso. Può dipendere da diversi fattori: poche stelle giovani e luminose, una composizione chimica particolare, oppure una geometria di osservazione sfavorevole. Il risultato pratico è lo stesso: la galassia si nasconde dentro al rumore dei dati, e i metodi classici di analisi faticano a isolarla.

È qui che entra in gioco il lavoro di Parisi e del suo team. Là dove l’occhio umano e gli algoritmi standard vedevano solo disturbo di fondo, l’IA ha trovato un segnale coerente. Un dettaglio che cambia la prospettiva: il problema non era la mancanza di dati, ma la loro interpretazione.

La scoperta non è il frutto di un nuovo telescopio, ma di una nuova lettura degli stessi dati che avevamo già: questo cambia il modo di fare astronomia.

Come l’intelligenza artificiale ha risolto il mistero

Il termine “intelligenza artificiale” evoca spesso qualcosa di magico, quasi un colpo di bacchetta digitale che risolve problemi impossibili. Non è così. Quello che il team di Parisi ha probabilmente fatto, in linea con l’approccio più diffuso in questo tipo di ricerche, è addestrare algoritmi a riconoscere pattern spettrali dentro montagne di dati raccolti su più lunghezze d’onda, dal visibile all’infrarosso. Il rumore di fondo, in astronomia osservativa, è il vero nemico. Confonde, maschera, inganna. Un segnale debole rischia di sparire dentro migliaia di misure che sembrano tutte uguali a un occhio umano o a un software tradizionale.

Qui sta la differenza. Un algoritmo di machine learning, se ben calibrato, riesce a individuare correlazioni statistiche che sfuggono ai metodi classici di fitting dei dati, quelli basati su modelli predefiniti e parametri fissi. In pratica non cerca una forma che già conosce: impara a distinguere il segnale reale dal rumore casuale, anche quando quel segnale è debolissimo. Il risultato, in questo caso specifico, sarebbe stata la conferma che dentro dati già acquisiti da tempo si nascondeva la firma di una galassia primordiale, mai isolata con chiarezza prima d’ora.

Perché questa galassia è una finestra sull’alba dell’universo

Le galassie che si sono formate nei primi centinaia di milioni di anni dopo il Big Bang sono oggetti rarissimi da osservare. Piccole, deboli, distanti al punto da mettere alla prova anche gli strumenti più sensibili. Eppure sono proprio loro a raccontare come sia nata la prima luce dell’universo, e come abbia progressivamente ionizzato lo spazio intergalattico durante quella che gli astrofisici chiamano epoca di reionizzazione. Una galassia trasparente, difficile da rilevare con le tecniche standard, diventa quindi un caso di studio prezioso: non un’eccezione isolata, ma un indizio di quante altre strutture simili potrebbero già essere presenti negli archivi osservativi.

Non a caso l’INAF è impegnato in parallelo in altre iniziative che puntano nella stessa direzione, come le survey spettroscopiche pensate per il telescopio spaziale Roman, tra le prime cinque selezionate a livello internazionale. Il filo conduttore è identico: cercare tracce di galassie primordiali sempre più deboli, sempre più ai margini della rilevabilità strumentale.

Giorgio Parisi: da Nobel di fisica a detective cosmico

Può sembrare curioso che un fisico teorico, premiato nel 2021 per i suoi studi sulla meccanica statistica e sui sistemi disordinati, si ritrovi a lavorare su un problema di astronomia osservativa. In realtà la logica non fa una piega. Le competenze di Parisi riguardano proprio l’analisi di sistemi complessi, disordinati, pieni di rumore: esattamente il tipo di scenario che si presenta quando si cerca un segnale debolissimo dentro un mare di dati astronomici. Ha detto lui stesso, in un’intervista a Repubblica, di aver usato l’IA per risolvere un problema che si trascinava da anni. Detto così suona quasi semplice. Non lo è stato affatto, ma il punto resta: competenze nate altrove, applicate a un campo diverso, hanno fatto la differenza dove i metodi tradizionali si erano arenati.

Questa storia illustra un principio chiave della scienza contemporanea: i dati non mancano più; le domande giuste e le tecniche giuste sì.

Quante altre galassie “nascoste” aspettano di essere scoperte?

Il caso risolto da Parisi non è un episodio isolato. È piuttosto il primo esempio documentato di una categoria di oggetti che probabilmente popola già gli archivi osservativi mondiali. Gli strumenti come ALMA, il Very Large Telescope e lo stesso JWST hanno accumulato negli anni petabyte di dati che nessun team umano potrà mai riesaminare uno per uno con i metodi tradizionali.

Dentro quegli archivi, statisticamente, ci sono altre galassie deboli. Altre sorgenti che si comportano come quella appena identificata: presenti nei dati, ma sfuggenti alle tecniche di analisi finora usate. Il punto non è tecnico soltanto. È anche una questione di tempo e di priorità scientifiche, perché rianalizzare vecchie osservazioni con nuovi algoritmi richiede risorse che spesso vengono destinate a nuove campagne osservative invece che al riesame di quelle passate.

Qui il lavoro di Parisi apre una prospettiva concreta. Se un metodo funziona su un caso, può essere applicato in scala su migliaia di sorgenti simili. Non è fantascienza: è la logica stessa del machine learning, pensato per scalare.

Il ruolo della metallicità e della struttura galattica

Perché una galassia risulta così difficile da vedere? Tre fattori concorrono, e raramente agiscono da soli. Il primo è la metallicità, cioè la quantità di elementi più pesanti dell’elio presenti al suo interno: una galassia con bassa metallicità ha una composizione quasi primordiale, fatta prevalentemente di idrogeno ed elio, e questo riduce l’assorbimento e l’emissione nelle bande ottiche usate normalmente per la ricerca.

Il secondo fattore è geometrico. L’angolo con cui osserviamo una galassia, la sua orientazione rispetto alla linea di vista, può attenuare drasticamente il segnale che arriva fino a noi. Il terzo riguarda il rapporto tra materia oscura e materia ordinaria (i barioni): una galassia dominata da materia oscura, con poche stelle visibili, emette semplicemente meno luce da rilevare.

Nessuno di questi tre elementi, da solo, spiega del tutto la “trasparenza”. Insieme, però, creano un oggetto che i modelli standard di analisi tendono a scartare come rumore statistico invece che come segnale reale. Ed è esattamente qui che un approccio computazionale diverso, capace di pesare più variabili contemporaneamente, fa la differenza. Vale la pena ricordare che questo tipo di indagine si inserisce in un filone più ampio di survey spettroscopiche dell’INAF, tra cui quella selezionata tra le prime cinque per il telescopio Roman, pensata proprio per intercettare sorgenti a bassa metallicità e alto redshift.

Cosa aspettarci dai prossimi mesi: il telescopio Roman e la caccia alle galassie primordiali

Il telescopio spaziale Roman, il cui lancio è confermato dalla NASA, punterà proprio su survey ad ampio campo capaci di individuare galassie deboli e distanti su porzioni di cielo molto più estese di quelle coperte finora dal JWST. La logica è complementare: dove il JWST scava in profondità su piccole aree, Roman cercherà in ampiezza, aumentando le probabilità statistiche di imbattersi in altre “galassie trasparenti”.

Non ci sono date certe da riportare oltre a quanto già pubblico sul lancio della missione, ed è meglio non azzardare previsioni che il brief non conferma. Quello che si può dire con ragionevole certezza è che il metodo dimostrato da Parisi diventerà, con ogni probabilità, uno strumento standard di analisi per i nuovi flussi di dati in arrivo.

La domanda, a questo punto, non è più se esistano altre galassie nascoste. È quante, e quanto in fretta riusciremo a trovarle.

Domande frequenti

Cos’è una galassia “trasparente”? È una galassia che emette poca radiazione nelle lunghezze d’onda comunemente usate per la ricerca, come il visibile e il vicino infrarosso. Non è invisibile in senso assoluto, ma richiede tecniche di analisi sofisticate per essere riconosciuta dentro i dati.
Come ha fatto l’IA a risolvere il problema? Non scoprendo nuovi dati, ma reinterpretando osservazioni già raccolte dai telescopi. Algoritmi di machine learning hanno riconosciuto pattern spettrali coerenti dentro quello che sembrava semplice rumore di fondo.
Perché le galassie primordiali sono importanti? Raccontano come si è formata la prima materia luminosa dell’universo e come ha ionizzato lo spazio intergalattico durante l’epoca della reionizzazione, nei primi centinaia di milioni di anni dopo il Big Bang.
Quante altre galassie “nascoste” potrebbe contenere l’universo? Un numero difficile da stimare con precisione, ma statisticamente alto: gli archivi di ALMA, VLT e JWST contengono probabilmente altre sorgenti deboli non ancora isolate dai metodi di analisi tradizionali.

Glossario

Redshift (z): spostamento verso il rosso della luce dovuto all’espansione dell’universo. Maggiore il redshift, più lontano e più antico è l’oggetto osservato; valori superiori a 5 indicano galassie primordiali.
Reionizzazione: epoca, nei primi 500 milioni di anni dopo il Big Bang, in cui la radiazione ultravioletta delle prime galassie ionizzò nuovamente l’idrogeno neutro dello spazio intergalattico.
Metallicità: quantità di elementi più pesanti dell’elio presenti in una stella o galassia. Bassa metallicità indica composizione prevalentemente primordiale, tipica degli oggetti più antichi.
Machine learning in astronomia: algoritmi addestrati a riconoscere pattern nei dati (spettri, immagini, serie temporali) per classificare o estrarre segnali senza regole esplicite programmate a mano.