[ad_1]
(noticias nanowerk) Las supernovas, estrellas en explosión, desempeñan un papel crucial en la formación y evolución de las galaxias. Sin embargo, es notoriamente difícil simular con precisión sus aspectos clave en un período de tiempo razonablemente corto. Por primera vez, un equipo de investigadores, incluido el de la Universidad de Tokio, está aplicando el aprendizaje profundo al problema de la simulación de supernovas. Su enfoque puede acelerar la simulación de supernovas y, por tanto, también la formación y evolución de galaxias. Estas simulaciones cubren el desarrollo de la química que dio lugar a la vida.
Los resultados fueron publicados en Avisos mensuales de la Royal Astronomical Society (“Predicción espaciotemporal 3D de la expansión de la capa de supernova mediante aprendizaje profundo para simulaciones de galaxias de alta resolución”).
Cuando escuchas sobre el aprendizaje profundo, puedes pensar en la última aplicación que salió esta semana para hacer algo inteligente con imágenes o generar texto similar a un humano. El aprendizaje profundo puede ser responsable de algunos aspectos detrás de escena de estas cosas, pero también se usa ampliamente en diversas áreas de investigación. Recientemente, un equipo aplicó el aprendizaje profundo al pronóstico del tiempo en un evento tecnológico llamado Hackathon. Resultó muy eficaz y puso a pensar a la estudiante de posgrado Keiya Hirashima del Departamento de Astronomía de la Universidad de Tokio.
«El clima es un fenómeno muy complejo, pero en última instancia se reduce a cálculos de dinámica de fluidos», dijo Hirashima. “Entonces me pregunté si podríamos modificar los modelos de aprendizaje profundo utilizados para el pronóstico del tiempo y aplicarlos a otro sistema de fluidos, pero que existe a una escala mucho mayor y al que no tenemos acceso directo: mi área de investigación, las explosiones de supernovas. »
Las supernovas ocurren cuando estrellas suficientemente masivas queman la mayor parte de su combustible y colapsan en explosiones masivas. Son tan grandes que pueden afectar, y de hecho afectan, grandes áreas dentro de sus galaxias de origen. Si se hubiera producido una supernova a unos cientos de años luz de la Tierra hace unos cientos de años, es posible que no estuvieras leyendo este artículo en este momento. Entonces, cuanto mejor comprendamos las supernovas, mejor podremos entender por qué las galaxias son como son.
“El problema es el tiempo que lleva calcular la forma en que explotan las supernovas. «Actualmente, muchos modelos de galaxias durante largos períodos de tiempo simplifican las cosas al suponer que las supernovas explotan en una forma perfectamente esférica, porque esto es relativamente fácil de calcular», dijo Hirashima. “Pero en realidad son bastante asimétricos. Algunas áreas de la envoltura material que forman el límite de la explosión son más complejas que otras. Utilizamos el aprendizaje profundo para determinar qué partes de la explosión requieren más o menos atención durante una simulación para garantizar la mayor precisión y tomar la menor cantidad de tiempo en general. Esta forma de dividir un problema se llama distribución hamiltoniana. Nuestro nuevo modelo, 3D-MIM, puede reducir en un 99% el número de pasos computacionales para calcular 100.000 años de evolución de una supernova. Así que creo que también ayudaremos a reducir los cuellos de botella”.
Por supuesto, el aprendizaje profundo requiere una formación profunda. Hirashima y su equipo tuvieron que ejecutar cientos de simulaciones que requirieron millones de horas de tiempo de computadora (las supercomputadoras son altamente paralelas, por lo que esta cantidad de tiempo se dividiría entre los miles de elementos informáticos necesarios). Pero sus resultados demostraron que valió la pena. Ahora esperan aplicar su metodología a otras áreas de la astrofísica; Por ejemplo, la evolución galáctica también está influenciada por grandes regiones de formación de estrellas. 3D MIM modela la muerte de estrellas y pronto podría usarse también para modelar sus nacimientos. Incluso podría encontrar uso más allá de la astrofísica en otras áreas que requieren altas resoluciones espaciales y temporales, como las simulaciones de clima y terremotos.
[ad_2]