Las supernovas, estrellas en explosión, desempeñan un papel crucial en la formación y evolución de las galaxias. Sin embargo, es muy difícil simular con precisión aspectos clave en un período de tiempo razonablemente corto. Por primera vez, un equipo de investigadores, incluidos investigadores de la Universidad de Tokio, ha aplicado el aprendizaje profundo al problema de la simulación de supernovas. Su enfoque podría acelerar las simulaciones de supernovas y, por tanto, también la formación y evolución de galaxias. Esta simulación incluye la evolución de la química que dio lugar a la vida.

Cuando escuchas sobre el aprendizaje profundo, puedes pensar en las últimas aplicaciones que salieron esta semana para hacer algo inteligente con imágenes o generar texto similar a un humano. El aprendizaje profundo puede ser responsable de algunos de los aspectos detrás de escena de tales cosas, pero también se usa ampliamente en diversos campos de investigación. Recientemente, un equipo en un evento tecnológico llamado hackathon aplicó el aprendizaje profundo al pronóstico del tiempo. Ha demostrado ser bastante eficaz, lo que hizo pensar a la estudiante de doctorado Keiya Hirashima del Departamento de Astronomía de la Universidad de Tokio.

“El clima es un fenómeno muy complejo, pero al final se reduce a cálculos de dinámica de fluidos”, dijo Hirashima. “Entonces me pregunté si podríamos modificar los modelos de aprendizaje profundo utilizados para predecir el clima y aplicarlos a otro sistema líquido, pero que existe a una escala mucho mayor y al que carecemos de acceso directo: un área de investigación, explosiones de supernovas”.

Las supernovas se producen cuando estrellas suficientemente masivas queman la mayor parte de su combustible y colapsan en explosiones masivas. Son tan masivos que pueden afectar grandes áreas dentro de sus galaxias anfitrionas. Si la supernova hubiera ocurrido hace unos cientos de años y a unos cientos de años luz de la Tierra, es posible que no estuvieras leyendo este artículo ahora. Por lo tanto, 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”, dijo Hirashima. “Actualmente, muchos modelos de galaxias en escalas de tiempo largas simplifican las cosas al suponer que las supernovas explotan de una manera perfectamente esférica, ya que eso es relativamente fácil de calcular. “. “Sin embargo, en realidad son bastante asimétricos. Algunas áreas de la envoltura de material que forman el límite de la explosión son más complejas que otras. Hemos aplicado el aprendizaje profundo para ayudar a determinar qué partes de la explosión requieren más o menos atención durante la simulación para garantizar la mejor precisión, mientras se requiere la menor cantidad de atención”. del tiempo en general. Esta forma de dividir el problema se llama partición hamiltoniana. Nuestro nuevo modelo, 3D-MIM, puede reducir el número de pasos computacionales para calcular 100.000″ años de supernova. evolución del 99%. Por lo tanto, creo que también ayudaremos a reducir el cuello 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 de las galaxias también se ve afectada por regiones de formación de grandes estrellas. 3D-MIM modela la muerte de las estrellas y pronto podría usarse también para modelar su nacimiento. Incluso podría encontrar uso más allá de la astrofísica en otros campos que requieren una alta resolución espacial y temporal, como las simulaciones de clima y terremotos.