Моделирование эволюции галактик когда нужно получить картинку всей системы через относительно короткие промежутки времени — невероятно медленная задача даже если ты используешь суперкомпьютер. Однако искусственный интеллект, в виде алгоритма машинного обучения, может помочь с этим.
Моделирование эволюции галактики
Исследователи использовали машинное обучение, чтобы значительно ускорить время обработки данных при моделировании эволюции галактик в сочетании со взрывами сверхновых. Этот подход может помочь нам понять происхождение нашей собственной галактики, в частности элементов, необходимых для жизни в Млечном Пути.
Команду возглавлял Кейя Хирашима из Центра междисциплинарных теоретических и математических наук (iTHEMS) RIKEN в Японии, вместе с коллегами из Института астрофизики Макса Планка (MPA) и Института Флетайрон.
Понимание того, как образуются галактики, является центральной проблемой для астрофизиков. Хотя мы знаем, что мощные события, такие как сверхновые, могут стимулировать эволюцию галактик, мы не можем просто смотреть на ночное небо и видеть, как это происходит.
Условия удачного моделирования
Ученые полагаются на численные моделирования, которые базируются на больших объемах данных, собранных с помощью телескопов и других приборов, измеряющих параметры межзвездного пространства. Моделирования должны учитывать гравитацию и гидродинамику, а также другие сложные аспекты астрофизической термохимии.
Кроме того, они должны иметь высокое временное разрешение. Это означает, что время между каждым 3D-снимком эволюционирующей галактики должно быть достаточно малым, чтобы не пропустить критические события. Например, для фиксации начальной фазы расширения оболочки сверхновой необходим временной масштаб всего в сотни лет, что в 1000 раз меньше, чем могут достичь типичные моделирования межзвездного пространства.
На самом деле, типичному суперкомпьютеру требуется от одного до двух лет, чтобы выполнить моделирование относительно небольшой галактики с надлежащим временным разрешением.
Преодоление временного разрешения
Преодоление этого узкого места во временном шаге было главной целью нового исследования. Благодаря внедрению искусственного интеллекта в свою модель, исследовательская группа смогла получить результаты, аналогичные результатам предыдущей модели карликовой галактики, но гораздо быстрее.
«Когда мы используем нашу модель искусственного интеллекта, симуляция происходит примерно в четыре раза быстрее, чем стандартная численная симуляция», — говорит Хирашима.
«Это соответствует сокращению времени вычислений от несколько месяцев до полугода. Важно, что наша симуляция с использованием искусственного интеллекта смогла воспроизвести динамику, важную для отображения эволюции галактик и циклов вещества, включая образование звезд и утечку вещества из галактик».
Нейронная сеть
Как и большинство моделей машинного обучения, новая модель исследователей обучается на одном наборе данных, а затем становится способной прогнозировать 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, масса которой была равна миллиону наших Солнц.
После обучения модель могла предсказать плотность, температуру и скорость газа через 100 000 лет после взрыва сверхновой. По сравнению с прямыми численными моделированиями, такими как те, что выполняются суперкомпьютерами, новая модель дала подобные структуры и историю формирования звезд, но на вычисления понадобилось в четыре раза меньше времени.
Сейчас лаборатория использует новую систему для моделирования галактики размером с Млечный Путь.
По материалам phys.org
