Agencias/Ciudad de México.- Científicos de la Universidad de Warwick están utilizando inteligencia artificial (IA) para analizar supernovas para ayudar a revelar cómo se produjeron estas explosiones cósmicas.
Su artículo se publica en Monthly Notices of the Royal Astronomical Society.
Muchas estrellas del universo terminarán sus vidas como enanas blancas, estrellas compactas que contienen aproximadamente la masa del Sol en 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 nuevamente al universo.
A pesar de su importancia, los astrónomos aún no saben exactamente cómo o por qué se producen estas supernovas.
El Dr. Thomas Killestein, de la Universidad de Turku, quien también participó en la investigación, agregó: “Con los estudios modernos, finalmente tenemos conjuntos de datos del tamaño y la calidad para abordar algunas de las preguntas clave restantes en la ciencia de las supernovas: cómo explotan exactamente. Los enfoques de aprendizaje automático como este permiten estudios de un mayor número de supernovas, con mayor detalle y con más consistencia que los enfoques anteriores”.
El autor principal, el Dr. Mark Magee, del Departamento de Física de la Universidad de Warwick, dijo en un comunicado: “Cuando investigamos las 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 los espectros.
“El análisis de estas firmas puede ayudar a identificar qué elementos se crean 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. Por lo general, un modelo puede tardar entre 10 y 90 minutos en generarse y queremos comparar cientos o miles de modelos para comprender completamente la supernova. Esto no es realmente factible en muchos casos.
“Nuestra nueva investigación se alejará de este largo proceso. 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 ilustraciones o textos, 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 sobre 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 coinciden más con las explosiones de la vida real y el rango de sus propiedades físicas.
El trabajo ahora aceptado es solo el primer paso. Las investigaciones futuras se ampliarán para incluir una variedad aún mayor de explosiones y supernovas, y vincularán directamente la explosión y las propiedades de la galaxia anfitriona. Es solo a través de los avances en el aprendizaje automático que este tipo de investigación ahora es posible.
El Dr. Magee agregó: “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. “Podremos relacionar las propiedades de la explosión con las propiedades de las galaxias anfitrionas de la supernova y establecer un vínculo directo entre cómo se produjo la explosión y el tipo de enana blanca que explotó“.
Además de estas limitaciones, ninguno de los modelos es capaz de capturar la diversidad completa entre SNe Ia y, por lo tanto, nuestro ajuste se limita actualmente a SNe Ia “normal”. Sin embargo, al limitar nuestros datos de entrenamiento a las predicciones del modelo de explosión, nos aseguramos de que todos nuestros modelos sean físicamente consistentes. Permitir que las abundancias elementales individuales varíen de forma independiente podría dar como resultado modelos estadísticamente bien ajustados, pero físicamente poco realistas. Tal escenario haría difícil proporcionar restricciones significativas sobre el mecanismo de explosión para SNe Ia observada. El trabajo futuro incluirá un conjunto ampliado de modelos y mecanismos de explosión como base de nuestros conjuntos de datos de entrenamiento, lo que permitirá imponer restricciones cuantitativas y sólidas a la física de la explosión para una muestra más grande y diversa de SNe Ia.
Los espectros utilizados para entrenar nuestras redes neuronales se generaron entre 3000 y 9000 Å y, por lo tanto, nuestras redes neuronales actualmente no se pueden utilizar para ajustar espectros UV. Estas longitudes de onda son muy sensibles a los efectos de la metalicidad y pueden proporcionar limitaciones importantes sobre la metalicidad progenitora. El trabajo futuro incluirá un rango de longitud de onda ampliado, pero nuevamente enfatizamos la importancia de esquemas de ponderación apropiados, que pueden afectar significativamente los resultados.
En resumen, encontramos que nuestros ajustes de enigma son capaces de producir espectros de mejor ajuste comparables a los métodos existentes utilizando un ajuste personalizado o automatizado. Las técnicas actuales se basan en el modelado de espectros progresivamente posteriores, a medida que la fotosfera retrocede más profundamente dentro de la eyección, para determinar perfiles de abundancia personalizados. A medida que se exponen nuevas capas del material eyectado, la composición de las regiones exteriores se mantiene fija. Esto asegura un modelo autoconsistente. Sin embargo, un beneficio clave de Riddler es que todos los espectros se ajustan simultáneamente, lo que garantiza naturalmente un perfil de eyección consistente y reproduce la evolución de la luminosidad y la temperatura del SN observado.
Nuestros ajustes a SN 2011fe y SN 2013dy muestran que ni el modelo de explosión W7 ni el N100 son capaces de reproducir todas las características de cualquiera de los SN; sin embargo, diferentes regiones de la eyección muestran una mejor concordancia con los modelos individuales. Al principio, encontramos que el modelo N100 produce una mejor concordancia con SN 2011fe que el W7, mientras que en momentos posteriores esto se invierte. Estos cambios en los modelos que mejor se ajustan en diferentes fases pueden imponer restricciones adicionales a la física de la explosión.
