La IA ayuda a los científicos a comprender las explosiones cósmicas

Los científicos de la Universidad de Warwick están utilizando inteligencia artificial (IA) para analizar explosiones cósmicas conocidas como supernovas. Su artículo está publicado en Avisos mensuales de la Royal Astronomical Society.

Muchas estrellas del Universo terminarán sus vidas como enanas blancas, estrellas compactas de aproximadamente la masa del Sol y el tamaño de la Tierra. Algunas de estas enanas blancas eventualmente explotarán como supernovas. El proceso es altamente energético y da como resultado la creación de elementos pesados ​​que son los componentes básicos de la vida, como el calcio y el hierro, que se liberan de regreso al universo.

A pesar de su importancia, los astrónomos aún no saben exactamente cómo o por qué ocurren estas supernovas.

Para ayudar a comprender mejor, una nueva investigación utilizará un tipo de IA conocido como aprendizaje automático para acelerar los experimentos con supernovas, procesos que actualmente son muy costosos desde el punto de vista computacional y requieren mucho tiempo. Esto ayudará a revelar cómo ocurrieron estas explosiones cósmicas al comparar los modelos de explosión con observaciones de la vida real.

El autor principal, el Dr. Mark Magee, del Departamento de Física de la Universidad de Warwick, dijo: «Cuando investigamos supernovas, analizamos sus espectros. Los espectros muestran la intensidad de la luz en diferentes longitudes de onda, que se ve afectada por los elementos creados en la supernova. Cada elemento interactúa con la luz en longitudes de onda únicas y, por lo tanto, deja una firma única en el espectro.

“El análisis de estas firmas puede ayudar a identificar qué elementos se crearon en una supernova y proporcionar más detalles sobre cómo explotaron las supernovas.

«A partir de estos datos, preparamos modelos, que se comparan con supernovas reales para establecer qué tipo de supernova es y exactamente cómo explotó. Normalmente, un modelo puede tardar entre 10 y 90 minutos en generarse y queremos comparar cientos o miles de modelos. entender completamente la supernova Esto no es realmente factible en muchos casos.

«Nuestra nueva investigación se alejará de este proceso que requiere mucho tiempo. Entrenaremos algoritmos de aprendizaje automático sobre cómo se ven los diferentes tipos de explosiones y los usaremos para generar modelos mucho más rápidamente. De manera similar a cómo podemos usar la IA para generar nuevas obras de arte o texto, ahora podremos generar simulaciones de supernovas. Esto significa que podremos generar miles de modelos en menos de un segundo, lo que será un gran impulso para la investigación de supernovas».

Además de acelerar el proceso de análisis de supernovas, el uso de la IA también permitirá una mayor precisión en la investigación. Esto ayudará a establecer qué modelos se adaptan mejor a las explosiones de la vida real y al rango de sus propiedades físicas.

Magee añadió: «Explorar los elementos liberados por las supernovas es un paso crucial para determinar el tipo de explosión que ocurrió, ya que ciertos tipos de explosiones producen más de algunos elementos que otros. Luego podemos relacionar las propiedades de la explosión con las propiedades de las galaxias. . anfitriones de supernova y establecer un vínculo directo entre cómo ocurrió la explosión y el tipo de enana blanca que explotó».

El trabajo ahora aceptado es sólo el primer paso. Las investigaciones futuras se ampliarán para incluir una variedad aún más amplia de explosiones y supernovas, y vincularán directamente la explosión y las propiedades de la galaxia anfitriona. Sólo gracias a los avances en el aprendizaje automático es posible realizar este tipo de investigaciones.

Thomas Killestein, de la Universidad de Turku, que también participó en la investigación, añadió: “Con la investigación moderna, finalmente tenemos conjuntos de datos del tamaño y la calidad para abordar algunas de las preguntas clave que quedan en la ciencia de las supernovas: cómo explotan exactamente. Los enfoques de aprendizaje automático como este permiten estudiar un mayor número de supernovas, con mayor detalle y con más coherencia que los enfoques anteriores».