Naukowcy z Uniwersytetu Tokijskiego zastosowali metody głębokiego uczenia do symulacji supernowych, znacznie poprawiając dokładność i wydajność obliczeń, co może znaleźć potencjalne zastosowania w astrofizyce i poza nią, w tym w modelowaniu klimatu i trzęsień ziemi.
Supernowe, czyli eksplodujące gwiazdy, odgrywają kluczową rolę w powstawaniu i ewolucji galaktyk. Jednak dokładna i wydajna symulacja tych zjawisk była poważnym wyzwaniem. Po raz pierwszy zespół składający się z naukowców z Uniwersytetu Tokijskiego wykorzystał głębokie uczenie się do ulepszenia symulacji supernowych. Postęp ten przyspiesza symulacje, które mają kluczowe znaczenie dla zrozumienia powstawania i ewolucji galaktyk, a także do modelowania procesów chemicznych, które doprowadziły do powstania życia.
Kiedy słyszysz o głębokim uczeniu się, możesz pomyśleć o najnowszej aplikacji, która pojawiła się w tym tygodniu, aby zrobić coś sprytnego z obrazami lub wygenerować tekst przypominający ludzki. Głębokie uczenie się może być odpowiedzialne za niektóre zakulisowe aspekty takich rzeczy, ale jest również szeroko stosowane w różnych dziedzinach badań. Niedawno zespół uczestniczący w wydarzeniu technologicznym zwanym hackatonem zastosował głębokie uczenie się do prognozowania pogody. Okazało się to całkiem skuteczne, co dało do myślenia doktorantowi Keiya Hirashima z Wydziału Astronomii Uniwersytetu Tokijskiego.
Pogoda jest bardzo złożonym zjawiskiem, ale ostatecznie sprowadza się do obliczeń dynamiki płynów – powiedział Hirashima. – Zastanawiałem się więc, czy moglibyśmy zmodyfikować modele głębokiego uczenia się stosowane do prognozowania pogody i zastosować je do innego układu płynnego, ale takiego, który istnieje na znacznie większą skalę i do którego nie mamy bezpośredniego dostępu: mój obszar badań, eksplozje supernowych.
Ilustracja: Górne obrazy przedstawiają duży obszar symulowanej galaktyki. Rozdzielczość czasowa tej symulacji jest bardzo niska: każdy krok symulacji wynosi około 100 000 lat. Obrazy dolne pokazują konkretny obszar dotknięty eksplozją supernowej i mają lepszą rozdzielczość czasową, gdzie każdy krok trwa mniej niż 10 000 lat. Regiony te łączy się z bardziej ogólną symulacją, aby poprawić ogólną dokładność i efektywność modelowania. Źródło: 2023 Hirashima i in., NASA/JPL-Caltech/ESO/R. Hunt/Hubble/L. Calcada CC-BY-ND
Supernowe powstają, gdy odpowiednio masywne gwiazdy spalają większość swojego paliwa i zapadają się w ogromnych eksplozjach. Są tak ogromne, że mogą wpływać i rzeczywiście wpływają na duże obszary wewnątrz swoich galaktyk macierzystych. Gdyby supernowa wybuchła się kilkaset lat temu w odległości kilkuset lat świetlnych od Ziemi, być może nie czytałbyś teraz tego artykułu. Zatem im lepiej rozumiemy supernowe, tym lepiej możemy zrozumieć, dlaczego galaktyki są takie, jakie są.
Problemem jest czas potrzebny na obliczenie sposobu wybuchu supernowych. Obecnie w wielu modeli obliczanych dla długich okresów czasu naukowcy upraszczają sobie sprawę, przyjmując, że supernowe eksplodują w sposób idealnie kulisty. To jest stosunkowo łatwe do obliczenia. Jednak w rzeczywistości są wybuchy supernowych są dość asymetryczne. Niektóre obszary powłoki materiału tworzącego granicę eksplozji są bardziej złożone niż inne. Naukowcy tokijscy zastosowali metody głębokiego uczenia, aby pomóc ustalić, które części eksplozji wymagają więcej, a które mniej uwagi podczas symulacji. To zapewni lepszą dokładność obliczeń, a zarazem zajmie ogólnie najmniej czasu. Ten sposób podziału problemu nazywa się rozszczepieniem hamiltonowskim. Ten nowy model, o nazwie 3D-MIM, może zmniejszyć liczbę kroków obliczeniowych przy obliczaniu ewolucji supernowej trwającej 100 000 lat o 99%.
Naukowcy mają teraz nadzieję zastosować swoją metodologię w innych obszarach astrofizyki. Aktualnie 3D-MIM modeluje śmierć gwiazd, a być może wkrótce będzie również stosowany do modelowania ich narodzin. Może nawet znaleźć zastosowanie poza astrofizyką, w innych dziedzinach wymagających dużej rozdzielczości przestrzennej i czasowej, takich jak symulacje klimatu i trzęsień ziemi.
Więcej informacji:
- publikacja „3D-Czasoprzestrzenne prognozowanie ekspansji powłok supernowych przy użyciu metod głębokiego uczenia w celu symulacji galaktyk o wysokiej rozdzielczości” “3D-Spatiotemporal forecasting the expansion of supernova shells using deep learning towards high-resolution galaxy simulations”, Keiya Hirashima i in., Monthly Notices of the Royal Astronomical Society (2023) DOI: 10.1093/mnras/stad2864
- Hackathony w astronomii: Rezultaty trzeciej edycji hackathonu NASA Space Apps Challenge 2023 w Rzeszowie (link)
Opracowanie: Joanna Molenda-Żakowicz
Źródło ilustracji: SciTechDaily
