27 년 2023 월 XNUMX 일 (나노 워크 뉴스) 폭발하는 별인 초신성은 은하의 형성과 진화에 중요한 역할을 합니다. 그러나 이들의 주요 측면은 합리적으로 짧은 시간 내에 정확하게 시뮬레이션하기가 매우 어렵습니다. 도쿄 대학을 포함한 연구팀은 처음으로 초신성 시뮬레이션 문제에 딥 러닝을 적용했습니다. 그들의 접근 방식은 초신성 시뮬레이션과 은하 형성 및 진화 시뮬레이션 속도를 높일 수 있습니다. 이러한 시뮬레이션에는 생명을 탄생시킨 화학의 진화가 포함됩니다. 연구 결과는 왕립 천문 학회 월간 고지 (“고해상도 은하 시뮬레이션을 위한 딥러닝을 사용한 초신성 껍질의 팽창을 3D 시공간적으로 예측”).
보다 효율적인 시뮬레이션. 초신성 시뮬레이션 중 (왼쪽)은 현재 시뮬레이션 방법에 따른 예측을 보여줍니다. (오른쪽)은 3D-MIM에 의한 예측을 보여줍니다. 이는 현재의 선도적인 방법과 충분히 유사해 보이지만 실행하는 데 훨씬 적은 시간이 소요되어 계산 시간에 소요되는 시간, 에너지 및 비용을 절약합니다. (이미지: Hirashima et al. CC-BY-ND) 딥 러닝에 대해 들으면 이미지를 사용하여 영리한 작업을 수행하거나 인간과 유사한 텍스트를 생성하기 위해 이번 주에 등장한 최신 앱이 떠오를 것입니다. 딥 러닝은 이러한 일의 숨겨진 측면을 담당할 수도 있지만 다양한 연구 분야에서도 광범위하게 사용됩니다. 최근 해커톤이라는 기술 행사에 참가한 한 팀은 일기 예보에 딥 러닝을 적용했습니다. 이는 꽤 효과적인 것으로 입증되었고, 도쿄대학교 천문학과의 박사과정 학생인 히라시마 게이야(Keiya Hirashima)가 생각하게 되었습니다. "날씨는 매우 복잡한 현상이지만 궁극적으로는 유체 역학 계산으로 귀결됩니다."라고 Hirashima는 말했습니다. "그래서 저는 일기 예보에 사용되는 딥 러닝 모델을 수정하여 다른 유체 시스템에 적용할 수 있을지 궁금했습니다. 하지만 이 시스템은 훨씬 더 큰 규모로 존재하고 우리가 직접 접근할 수 없는 분야인 초신성 폭발에 대한 연구입니다." 초신성은 적당히 무거운 별이 대부분의 연료를 태워 엄청난 폭발로 붕괴할 때 발생합니다. 그들은 너무 거대해서 호스트 은하계 내부의 넓은 지역에 영향을 미칠 수 있고 영향을 미치고 있습니다. 만약 몇 백 년 전에 지구에서 수백 광년 떨어진 곳에서 초신성이 일어났다면, 여러분은 지금 이 글을 읽고 있지 않을 수도 있습니다. 따라서 우리가 초신성을 더 잘 이해할수록 은하계가 왜 그런 모습인지 더 잘 이해할 수 있습니다.
나누어서 정복하세요. 위쪽 이미지는 시뮬레이션되고 있는 은하의 넓은 영역을 보여줍니다. 시뮬레이션의 각 "단계"가 약 100,000년인 시간 분해능은 매우 낮습니다. 아래쪽 이미지는 초신성 폭발의 영향을 받은 특정 영역을 보여주며 각 단계가 10,000년 미만인 더 미세한 시간 분해능을 가지고 있습니다. 이러한 영역은 보다 일반적인 시뮬레이션과 결합되어 시뮬레이션의 전반적인 정확성과 효율성을 향상시킵니다. (이미지: Hirashima et al., NASA/JPL-Caltech/ESO/R. Hunt/Hubble/L. Calçada CC-BY-ND) “문제는 초신성이 폭발하는 방식을 계산하는 데 걸리는 시간입니다. 현재, 장기간에 걸친 많은 은하 모델은 초신성이 완벽한 구형 방식으로 폭발하는 것처럼 가정하여 상황을 단순화합니다. 이는 상대적으로 계산하기 쉽기 때문입니다.”라고 Hirashima는 말했습니다. “그러나 실제로는 상당히 비대칭적입니다. 폭발의 경계를 형성하는 물질 껍질의 일부 영역은 다른 영역보다 더 복잡합니다. 우리는 시뮬레이션 중에 폭발의 어느 부분에 더 많은 주의가 필요한지 또는 더 적은 주의가 필요한지 확인하는 데 도움이 되는 딥 러닝을 적용하여 최고의 정확성을 보장하는 동시에 전체적으로 최소한의 시간을 소비했습니다. 이러한 문제 분할 방법을 해밀턴 분할이라고 합니다. 우리의 새로운 모델인 3D-MIM은 100,000만년에 걸친 초신성 진화 계산에서 계산 단계 수를 99%까지 줄일 수 있습니다. 그래서 우리는 병목 현상을 줄이는 데에도 큰 도움이 될 것이라고 생각합니다.” 물론 딥러닝에는 딥 트레이닝이 필요합니다. Hirashima와 그의 팀은 수백만 시간의 컴퓨터 시간이 소요되는 수백 개의 시뮬레이션을 실행해야 했습니다(슈퍼컴퓨터는 고도로 병렬이므로 이 시간은 필요한 수천 개의 컴퓨팅 요소에 분배됩니다). 그러나 그들의 결과는 그만한 가치가 있음을 입증했습니다. 그들은 이제 그들의 방법론을 천체물리학의 다른 영역에 적용하기를 희망합니다. 예를 들어, 은하의 진화는 큰 별 형성 지역의 영향도 받습니다. 3D-MIM은 별의 죽음을 모델링하며 아마도 곧 별의 탄생도 모델링하는 데 사용될 것입니다. 기후 및 지진 시뮬레이션과 같이 높은 공간적, 시간적 해상도가 필요한 다른 분야에서도 천체 물리학을 넘어서는 용도를 찾을 수도 있습니다.
보다 효율적인 시뮬레이션. 초신성 시뮬레이션 중 (왼쪽)은 현재 시뮬레이션 방법에 따른 예측을 보여줍니다. (오른쪽)은 3D-MIM에 의한 예측을 보여줍니다. 이는 현재의 선도적인 방법과 충분히 유사해 보이지만 실행하는 데 훨씬 적은 시간이 소요되어 계산 시간에 소요되는 시간, 에너지 및 비용을 절약합니다. (이미지: Hirashima et al. CC-BY-ND) 딥 러닝에 대해 들으면 이미지를 사용하여 영리한 작업을 수행하거나 인간과 유사한 텍스트를 생성하기 위해 이번 주에 등장한 최신 앱이 떠오를 것입니다. 딥 러닝은 이러한 일의 숨겨진 측면을 담당할 수도 있지만 다양한 연구 분야에서도 광범위하게 사용됩니다. 최근 해커톤이라는 기술 행사에 참가한 한 팀은 일기 예보에 딥 러닝을 적용했습니다. 이는 꽤 효과적인 것으로 입증되었고, 도쿄대학교 천문학과의 박사과정 학생인 히라시마 게이야(Keiya Hirashima)가 생각하게 되었습니다. "날씨는 매우 복잡한 현상이지만 궁극적으로는 유체 역학 계산으로 귀결됩니다."라고 Hirashima는 말했습니다. "그래서 저는 일기 예보에 사용되는 딥 러닝 모델을 수정하여 다른 유체 시스템에 적용할 수 있을지 궁금했습니다. 하지만 이 시스템은 훨씬 더 큰 규모로 존재하고 우리가 직접 접근할 수 없는 분야인 초신성 폭발에 대한 연구입니다." 초신성은 적당히 무거운 별이 대부분의 연료를 태워 엄청난 폭발로 붕괴할 때 발생합니다. 그들은 너무 거대해서 호스트 은하계 내부의 넓은 지역에 영향을 미칠 수 있고 영향을 미치고 있습니다. 만약 몇 백 년 전에 지구에서 수백 광년 떨어진 곳에서 초신성이 일어났다면, 여러분은 지금 이 글을 읽고 있지 않을 수도 있습니다. 따라서 우리가 초신성을 더 잘 이해할수록 은하계가 왜 그런 모습인지 더 잘 이해할 수 있습니다.
나누어서 정복하세요. 위쪽 이미지는 시뮬레이션되고 있는 은하의 넓은 영역을 보여줍니다. 시뮬레이션의 각 "단계"가 약 100,000년인 시간 분해능은 매우 낮습니다. 아래쪽 이미지는 초신성 폭발의 영향을 받은 특정 영역을 보여주며 각 단계가 10,000년 미만인 더 미세한 시간 분해능을 가지고 있습니다. 이러한 영역은 보다 일반적인 시뮬레이션과 결합되어 시뮬레이션의 전반적인 정확성과 효율성을 향상시킵니다. (이미지: Hirashima et al., NASA/JPL-Caltech/ESO/R. Hunt/Hubble/L. Calçada CC-BY-ND) “문제는 초신성이 폭발하는 방식을 계산하는 데 걸리는 시간입니다. 현재, 장기간에 걸친 많은 은하 모델은 초신성이 완벽한 구형 방식으로 폭발하는 것처럼 가정하여 상황을 단순화합니다. 이는 상대적으로 계산하기 쉽기 때문입니다.”라고 Hirashima는 말했습니다. “그러나 실제로는 상당히 비대칭적입니다. 폭발의 경계를 형성하는 물질 껍질의 일부 영역은 다른 영역보다 더 복잡합니다. 우리는 시뮬레이션 중에 폭발의 어느 부분에 더 많은 주의가 필요한지 또는 더 적은 주의가 필요한지 확인하는 데 도움이 되는 딥 러닝을 적용하여 최고의 정확성을 보장하는 동시에 전체적으로 최소한의 시간을 소비했습니다. 이러한 문제 분할 방법을 해밀턴 분할이라고 합니다. 우리의 새로운 모델인 3D-MIM은 100,000만년에 걸친 초신성 진화 계산에서 계산 단계 수를 99%까지 줄일 수 있습니다. 그래서 우리는 병목 현상을 줄이는 데에도 큰 도움이 될 것이라고 생각합니다.” 물론 딥러닝에는 딥 트레이닝이 필요합니다. Hirashima와 그의 팀은 수백만 시간의 컴퓨터 시간이 소요되는 수백 개의 시뮬레이션을 실행해야 했습니다(슈퍼컴퓨터는 고도로 병렬이므로 이 시간은 필요한 수천 개의 컴퓨팅 요소에 분배됩니다). 그러나 그들의 결과는 그만한 가치가 있음을 입증했습니다. 그들은 이제 그들의 방법론을 천체물리학의 다른 영역에 적용하기를 희망합니다. 예를 들어, 은하의 진화는 큰 별 형성 지역의 영향도 받습니다. 3D-MIM은 별의 죽음을 모델링하며 아마도 곧 별의 탄생도 모델링하는 데 사용될 것입니다. 기후 및 지진 시뮬레이션과 같이 높은 공간적, 시간적 해상도가 필요한 다른 분야에서도 천체 물리학을 넘어서는 용도를 찾을 수도 있습니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
- PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
- PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
- 출처: https://www.nanowerk.com/news2/space/newsid=63945.php
