27. okt 2023 (Nanowerk Nyheter) Supernovaer, eksploderende stjerner, spiller en avgjørende rolle i dannelsen og utviklingen av galakser. Imidlertid er nøkkelaspekter av dem notorisk vanskelige å simulere nøyaktig på rimelig kort tid. For første gang bruker et team av forskere, inkludert de fra University of Tokyo, dyp læring på problemet med supernovasimulering. Deres tilnærming kan øke hastigheten på simuleringen av supernovaer, og derfor også av galaksedannelse og -evolusjon. Disse simuleringene inkluderer utviklingen av kjemien som førte til liv. Funnene er publisert i Månedlige kunngjøringer fra Royal Astronomical Society ("3D-spatiotemporal prognoser utvidelsen av supernovaskall ved hjelp av dyp læring mot høyoppløselige galaksimuleringer").
En mer effektiv simulering. Under en supernovasimulering viser (til venstre) prediksjonen ved en gjeldende simuleringsmetode. (til høyre) viser spådommen fra 3D-MIM, som ser nær nok ut til den til den nåværende ledende metoden, men det tar langt mindre tid å utføre, noe som sparer tid, energi og kostnader for databehandlingstid. (Bilde: Hirashima et al. CC-BY-ND) Når du hører om dyp læring, tenker du kanskje på den siste appen som dukket opp denne uken for å gjøre noe smart med bilder eller generere menneskelignende tekst. Dyplæring kan være ansvarlig for noen aspekter bak kulissene ved slike ting, men den brukes også mye i forskjellige forskningsfelt. Nylig brukte et team på et teknologiarrangement kalt et hackathon dyp læring til værvarsling. Det viste seg ganske effektivt, og dette fikk doktorgradsstudent Keiya Hirashima fra University of Tokyos avdeling for astronomi til å tenke. "Været er et veldig komplekst fenomen, men til syvende og sist koker det ned til væskedynamikkberegninger," sa Hirashima. "Så jeg lurte på om vi kunne endre dyplæringsmodeller som brukes til værvarsling og bruke dem på et annet væskesystem, men et som eksisterer i en langt større skala og som vi mangler direkte tilgang til: mitt forskningsfelt, supernovaeksplosjoner." Supernovaer oppstår når passende massive stjerner brenner gjennom det meste av drivstoffet og kollapser i enorme eksplosjoner. De er så enorme at de kan, og gjør, påvirke store områder inne i vertsgalaksene deres. Hvis en supernova hadde skjedd for noen hundre år siden innen noen få hundre lysår fra Jorden, ville du kanskje ikke lest denne artikkelen akkurat nå. Så jo bedre vi forstår supernovaer, jo bedre kan vi forstå hvorfor galakser er som de er.
Splitt og hersk. De øverste bildene viser et stort område av en galakse som simuleres. Tidsoppløsningen er svært lav, der hvert "trinn" i simuleringen er rundt 100,000 10,000 år. De nederste bildene viser det spesifikke området som er påvirket av en supernovaeksplosjon og har en finere tidsoppløsning der hvert trinn er under 3 100,000 år. Disse regionene kombineres med den mer generelle simuleringen for å forbedre den generelle nøyaktigheten og effektiviteten til simuleringen. (Bilde: Hirashima et al., NASA/JPL-Caltech/ESO/R. Hunt/Hubble/L. Calçada CC-BY-ND) «Problemet er tiden det tar å beregne måten supernovaer eksploderer på. Foreløpig forenkler mange modeller av galakser over lange tidsspenn ting ved å late som om supernovaer eksploderer på en perfekt sfærisk måte, siden dette er relativt enkelt å beregne, sa Hirashima. "Men i virkeligheten er de ganske asymmetriske. Noen områder av skallet av materiale som danner grensen for eksplosjonen er mer komplekse enn andre. Vi brukte dyp læring for å finne ut hvilke deler av eksplosjonen som krever mer eller mindre oppmerksomhet under en simulering for å sikre best mulig nøyaktighet, samtidig som vi tar minst tid totalt sett. Denne måten å dele et problem på kalles Hamiltonsk splitting. Vår nye modell, 99D-MIM, kan redusere antall beregningstrinn i beregningen av 3 XNUMX år med supernovaevolusjon med XNUMX %. Så jeg tror vi virkelig vil bidra til å redusere en flaskehals også.» Selvfølgelig krever dyp læring dyp trening. Hirashima og teamet hans måtte kjøre hundrevis av simuleringer som tok millioner av timer med datatid (superdatamaskiner er svært parallelle, så denne tiden vil bli delt på de tusenvis av dataelementer som kreves). Men resultatene deres viste at det var verdt det. De håper nå å anvende sin metodikk på andre områder av astrofysikk; for eksempel er galaktisk utvikling også påvirket av store stjernedannende områder. XNUMXD-MIM modellerer stjerners død, og kanskje snart vil den også brukes til å modellere fødslene deres. Den kan til og med finne bruk utover astrofysikk på andre felt som krever høye romlige og tidsmessige oppløsninger, for eksempel klima- og jordskjelvsimuleringer.
En mer effektiv simulering. Under en supernovasimulering viser (til venstre) prediksjonen ved en gjeldende simuleringsmetode. (til høyre) viser spådommen fra 3D-MIM, som ser nær nok ut til den til den nåværende ledende metoden, men det tar langt mindre tid å utføre, noe som sparer tid, energi og kostnader for databehandlingstid. (Bilde: Hirashima et al. CC-BY-ND) Når du hører om dyp læring, tenker du kanskje på den siste appen som dukket opp denne uken for å gjøre noe smart med bilder eller generere menneskelignende tekst. Dyplæring kan være ansvarlig for noen aspekter bak kulissene ved slike ting, men den brukes også mye i forskjellige forskningsfelt. Nylig brukte et team på et teknologiarrangement kalt et hackathon dyp læring til værvarsling. Det viste seg ganske effektivt, og dette fikk doktorgradsstudent Keiya Hirashima fra University of Tokyos avdeling for astronomi til å tenke. "Været er et veldig komplekst fenomen, men til syvende og sist koker det ned til væskedynamikkberegninger," sa Hirashima. "Så jeg lurte på om vi kunne endre dyplæringsmodeller som brukes til værvarsling og bruke dem på et annet væskesystem, men et som eksisterer i en langt større skala og som vi mangler direkte tilgang til: mitt forskningsfelt, supernovaeksplosjoner." Supernovaer oppstår når passende massive stjerner brenner gjennom det meste av drivstoffet og kollapser i enorme eksplosjoner. De er så enorme at de kan, og gjør, påvirke store områder inne i vertsgalaksene deres. Hvis en supernova hadde skjedd for noen hundre år siden innen noen få hundre lysår fra Jorden, ville du kanskje ikke lest denne artikkelen akkurat nå. Så jo bedre vi forstår supernovaer, jo bedre kan vi forstå hvorfor galakser er som de er.
Splitt og hersk. De øverste bildene viser et stort område av en galakse som simuleres. Tidsoppløsningen er svært lav, der hvert "trinn" i simuleringen er rundt 100,000 10,000 år. De nederste bildene viser det spesifikke området som er påvirket av en supernovaeksplosjon og har en finere tidsoppløsning der hvert trinn er under 3 100,000 år. Disse regionene kombineres med den mer generelle simuleringen for å forbedre den generelle nøyaktigheten og effektiviteten til simuleringen. (Bilde: Hirashima et al., NASA/JPL-Caltech/ESO/R. Hunt/Hubble/L. Calçada CC-BY-ND) «Problemet er tiden det tar å beregne måten supernovaer eksploderer på. Foreløpig forenkler mange modeller av galakser over lange tidsspenn ting ved å late som om supernovaer eksploderer på en perfekt sfærisk måte, siden dette er relativt enkelt å beregne, sa Hirashima. "Men i virkeligheten er de ganske asymmetriske. Noen områder av skallet av materiale som danner grensen for eksplosjonen er mer komplekse enn andre. Vi brukte dyp læring for å finne ut hvilke deler av eksplosjonen som krever mer eller mindre oppmerksomhet under en simulering for å sikre best mulig nøyaktighet, samtidig som vi tar minst tid totalt sett. Denne måten å dele et problem på kalles Hamiltonsk splitting. Vår nye modell, 99D-MIM, kan redusere antall beregningstrinn i beregningen av 3 XNUMX år med supernovaevolusjon med XNUMX %. Så jeg tror vi virkelig vil bidra til å redusere en flaskehals også.» Selvfølgelig krever dyp læring dyp trening. Hirashima og teamet hans måtte kjøre hundrevis av simuleringer som tok millioner av timer med datatid (superdatamaskiner er svært parallelle, så denne tiden vil bli delt på de tusenvis av dataelementer som kreves). Men resultatene deres viste at det var verdt det. De håper nå å anvende sin metodikk på andre områder av astrofysikk; for eksempel er galaktisk utvikling også påvirket av store stjernedannende områder. XNUMXD-MIM modellerer stjerners død, og kanskje snart vil den også brukes til å modellere fødslene deres. Den kan til og med finne bruk utover astrofysikk på andre felt som krever høye romlige og tidsmessige oppløsninger, for eksempel klima- og jordskjelvsimuleringer.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
- PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
- PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
- PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
- kilde: https://www.nanowerk.com/news2/space/newsid=63945.php
