Tokyo Üniversitesi araştırmacıları, süpernova simülasyonlarına derin öğrenmeyi uygulayarak, iklim ve deprem modellemesi de dahil olmak üzere astrofizik ve ötesindeki potansiyel uygulamalarla doğruluğu ve verimliliği önemli ölçüde artırdı. Kredi bilgileri: SciTechDaily.com
Süpernovayı simüle etmenin yeni bir yöntemi kozmik kökenlerimize ışık tutabilir.
Patlayan yıldızlar olan süpernovalar galaksi oluşumunda ve evriminde çok önemli bir rol oynar. Ancak bu olguları doğru ve verimli bir şekilde simüle etmek önemli bir zorluk olmuştur. Tokyo Üniversitesi’nden araştırmacıların da dahil olduğu bir ekip, ilk kez süpernova simülasyonlarını geliştirmek için derin öğrenmeyi kullandı. Bu ilerleme, galaksi oluşumu ve evriminin yanı sıra hayata yol açan kimyanın evrimini anlamak için hayati önem taşıyan simülasyonları hızlandırıyor.
Derin öğrenmeyi duyduğunuzda, görüntülerle akıllıca bir şeyler yapmak veya insan benzeri metinler oluşturmak için bu hafta ortaya çıkan en son uygulamayı düşünebilirsiniz. Derin öğrenme bu tür olayların perde arkası yönlerinden sorumlu olabilir, ancak aynı zamanda farklı araştırma alanlarında da yaygın olarak kullanılmaktadır. Son zamanlarda hackathon adı verilen bir teknoloji etkinliğine katılan bir ekip, hava tahminlerine derin öğrenmeyi uyguladı. Oldukça etkili olduğu kanıtlandı ve bu, Tokyo Üniversitesi Astronomi Bölümü’nden doktora öğrencisi Keiya Hirashima’nın düşünmesine neden oldu.
Üstteki görüntülerde simüle edilen bir galaksinin geniş bir alanı gösteriliyor. Zaman çözünürlüğü çok düşük olup simülasyonun her bir “adımının” yaklaşık 100.000 yıl olduğu görülmektedir. Aşağıdaki görüntüler bir süpernova patlamasından etkilenen spesifik alanı gösteriyor ve her adımın 10.000 yılın altında olduğu daha iyi bir zaman çözünürlüğüne sahip. Bu bölgeler, simülasyonun genel doğruluğunu ve verimliliğini artırmak için daha genel simülasyonla birleştirilir. Katkıda bulunanlar: 2023 Hirashima ve diğerleri, NASA/JPL-Caltech/ESO/R. Hunt/Hubble/L. Calçada CC-BY-ND
Hirashima, “Hava çok karmaşık bir olgudur ancak sonuçta akışkan dinamiği hesaplamalarına indirgenir” dedi. “Dolayısıyla, hava tahmini için kullanılan derin öğrenme modellerini değiştirip değiştiremeyeceğimizi ve bunları başka bir akışkan sisteme uygulayıp uygulayamayacağımızı merak ettim, ancak çok daha büyük ölçekte var olan ve doğrudan erişimimiz olmayan bir sistem: benim araştırma alanım, süpernova patlamaları.”
Süpernovayı ve Galaktik Etkiyi Anlamak
Süpernovalar, uygun kütleye sahip yıldızların yakıtlarının çoğunu yakması ve muazzam patlamalarla çökmesi sonucu ortaya çıkar. O kadar büyüktürler ki, ev sahibi galaksilerin içindeki geniş alanları etkileyebilirler ve etkilemektedirler. Eğer birkaç yüz yıl önce, Dünya’dan birkaç yüz ışıkyılı uzaklıkta bir süpernova meydana gelmiş olsaydı, şu anda bu makaleyi okumuyor olabilirsiniz. Yani süpernovaları ne kadar iyi anlarsak galaksilerin neden bu şekilde olduklarını da o kadar iyi anlayabiliriz.
https://youtu.be/qmLxEEnkvZs
Bir süpernova simülasyonu sırasında (solda), mevcut bir simülasyon yöntemiyle yapılan tahmin gösterilmektedir. (sağda) 3D-MIM’in tahminini gösteriyor; bu, mevcut önde gelen yönteminkine yeterince yakın görünüyor, ancak yürütülmesi çok daha az zaman alıyor, zamandan, enerjiden ve hesaplama süresi maliyetlerinden tasarruf sağlıyor. Kredi: 2023 Hirashima ve ark. CC-BY-ND
“Sorun süpernovaların patlama şeklini hesaplamak için gereken zamandır. Şu anda, uzun zaman aralıklarındaki pek çok gökada modeli, süpernovaların mükemmel küresel bir biçimde patladığını varsayarak işleri basitleştiriyor, çünkü bunu hesaplamak nispeten kolay,” dedi Hirashima. “Ancak gerçekte oldukça asimetrikler. Patlamanın sınırını oluşturan malzeme kabuğunun bazı bölgeleri diğerlerinden daha karmaşıktır. En iyi performansı sağlamak amacıyla simülasyon sırasında patlamanın hangi bölümlerinin daha fazla veya daha az dikkat gerektirdiğini belirlemeye yardımcı olmak için derin öğrenmeyi uyguladık. kesinlik, aynı zamanda genel olarak en az zaman harcayarak. Bir problemi bu şekilde bölmeye Hamilton bölme adı verilir. Yeni modelimiz 3D-MIM, 100.000 yıllık süpernova evriminin hesaplanmasındaki hesaplama adımlarının sayısını %99 oranında azaltabilir. Dolayısıyla, bir darboğazın da azaltılmasına gerçekten yardımcı olacağımızı düşünüyorum.”
Derin Öğrenmenin Astrofizikte Daha Geniş Uygulamaları
Elbette derin öğrenme derin bir eğitim gerektirir. Hirashima ve ekibi, milyonlarca saatlik bilgisayar zamanı harcayan yüzlerce simülasyon yürütmek zorunda kaldı (süper bilgisayarlar oldukça paraleldir, dolayısıyla bu süre, gereken binlerce hesaplama elemanı arasında bölünecektir). Ancak sonuçları buna değdiğini kanıtladı.
Artık metodolojilerini astrofiziğin diğer alanlarına da uygulamayı umuyorlar; örneğin galaktik evrim aynı zamanda büyük yıldız oluşum bölgelerinden de etkilenir. 3D-MIM yıldızların ölümlerini modelliyor ve belki de yakın zamanda yıldızların doğumlarını modellemek için de kullanılacak. Hatta astrofiziğin ötesinde, iklim ve deprem simülasyonları gibi yüksek mekansal ve zamansal çözünürlük gerektiren diğer alanlarda da kullanım alanı bulabilir.
Referans: Keiya Hirashima, Kana Moriwaki, Michiko S Fujii, Yutaka Hirai, Takayuki R Saitoh ve Junichiro Makino, 18 Eylül 2023, “Yüksek çözünürlüklü galaksi simülasyonlarına yönelik derin öğrenmeyi kullanarak süpernova kabuklarının genişlemesinin 3D-Uzay-zamansal tahmini”, Kraliyet Astronomi Topluluğunun Aylık Bildirimleri.
DOI: 10.1093/mnras/stad2864
Bu çalışma JSPS KAKENHI Hibe Numaraları 22H01259, 22KJ0157, 20K14532, 21H04499, 21K03614 ve 23K03446 ile MEXT Hibe Numarası JPMXP1020230406 ve JPMXP1020200109 (hp200124) tarafından desteklenmiştir. KH, JSPS Genç Bilim İnsanları Araştırma Bursu ve beraberindeki JSPS Üyeleri için Yardım Hibeleri (22J23077), 2022’de JEES · Mistubishi şirketi bilim teknolojisi öğrenci bursu ve Tokyo Üniversitesi’nin IIW programı tarafından mali olarak desteklenmektedir.
