Исследователи использовали машинное обучение, чтобы значительно сократить время обработки при моделировании эволюции галактик в сочетании со взрывом сверхновых. Этот подход может помочь нам понять происхождение нашей галактики, особенно элементов, необходимых для жизни в Млечном Пути.
Результаты [опубликованы](https://iopscience.iop.org/article/10.3847/1538-4357/add689) в The Astrophysical Journal.
Группой исследователей руководил Кейя Хирашима из Центра междисциплинарных теоретических и математических наук (iTHEMS) в Японии, а также коллеги из Института астрофизики Общества Макса Планка (MPA) и Института Флэтайрон.
Понимание того, как формируются галактики, является центральной проблемой для астрофизиков. Хотя мы знаем, что мощные события, такие как взрывы сверхновых, могут влиять на эволюцию галактик, мы не можем просто посмотреть на ночное небо и увидеть это.
Учёные полагаются на численное моделирование, основанное на больших объёмах данных, собранных с помощью телескопов и других устройств, измеряющих параметры межзвёздного пространства. Модели должны учитывать гравитацию и гидродинамику, а также другие сложные аспекты астрофизической термохимии.
Кроме того, они должны иметь высокое временное разрешение, то есть время между каждым трёхмерным снимком эволюционирующей галактики должно быть достаточно малым, чтобы не пропустить критические события. Например, для захвата начальной фазы расширения оболочки сверхновой требуется временной масштаб в несколько сотен лет, что в 1000 раз меньше, чем могут достичь типичные моделирования межзвёздного пространства.
Обычно суперкомпьютеру требуется от одного до двух лет, чтобы провести моделирование относительно небольшой галактики с соответствующим временным разрешением.
Основной целью нового исследования было преодоление этого узкого места по времени. Внедрив искусственный интеллект в свою модель, управляемую данными, исследовательская группа смогла сопоставить результаты ранее смоделированной карликовой галактики, но получила результат гораздо быстрее.
«Когда мы используем нашу модель искусственного интеллекта, моделирование происходит примерно в четыре раза быстрее, чем стандартное численное моделирование», — говорит Хирашима.
«Это соответствует сокращению времени вычислений на несколько месяцев до полугода. Критически важно, что наше моделирование с помощью ИИ смогло воспроизвести динамику, важную для захвата эволюции галактик и циклов материи, включая звездообразование и галактические выбросы».
Как и большинство моделей машинного обучения, новая модель исследователей обучается на одном наборе данных, а затем может предсказывать результаты на основе нового набора данных. В этом случае модель включала запрограммированную нейронную сеть и была обучена на 300 симуляциях изолированной сверхновой в молекулярном облаке массой в миллион наших солнц.
После обучения модель могла предсказывать плотность, температуру и трёхмерные скорости газа через 100 000 лет после взрыва сверхновой. По сравнению с прямыми численными моделированиями, такими как те, что выполняются на суперкомпьютерах, новая модель давала аналогичные структуры и историю звездообразования, но на вычисление уходило в четыре раза меньше времени.
По словам Хирашимы, «наш фреймворк с поддержкой ИИ позволит проводить высокоразрешающее моделирование формирования звёзд в тяжёлых галактиках, таких как Млечный Путь, с целью прогнозирования происхождения Солнечной системы и элементов, необходимых для зарождения жизни».
В настоящее время лаборатория использует новый фреймворк для моделирования галактики размером с Млечный Путь.
Предоставлено [RIKEN](https://phys.org/partners/riken/)