Naukowcy wykorzystują sztuczną inteligencję do badania struktury i długoterminowego zachowania galaktyk
Naukowcy z Bayreuth badają strukturę i długoterminowe zachowanie galaktyk przy użyciu modeli matematycznych opartych na teorii względności Einsteina. Ich innowacyjne podejście wykorzystuje sieć neuronową do szybkiego przewidywania stabilności modeli galaktyk.
Celem badawczym dr Sebastiana Wolfschmidta i Christophera Strauba było zbadanie struktury i długoterminowego zachowania galaktyk. „Ponieważ nie można ich w pełni przeanalizować za pomocą obserwacji astronomicznych, używamy matematycznych modeli galaktyk”, wyjaśnia Christopher Straub, doktorant w Katedrze Matematyki VI na Uniwersytecie w Bayreuth. Badanie zostało opublikowane w czasopiśmie Classical and Quantum Gravity.
„Aby uwzględnić fakt, że większość galaktyk zawiera w swoim centrum czarną dziurę, nasze modele opierają się na ogólnej teorii względności Alberta Einsteina, która opisuje grawitację jako zakrzywienie czterowymiarowej czasoprzestrzeni” – tłumaczy naukowiec.
Matematycy i astrofizycy badają właściwości modeli galaktyk od dziesięcioleci, ale wiele pytań pozostaje otwartych. Aby pomóc odpowiedzieć na te pytania, Straub i Wolfschmidt wdrożyli sieć neuronową, która skupia w sobie zupełnie nowe podejście w tej dziedzinie badań. Oparta na sztucznej inteligencji metoda umożliwia skuteczną weryfikację hipotez astrofizycznych w ciągu kilku sekund.
Sieci neuronowe to modele obliczeniowe, których struktura jest inspirowana ludzkim mózgiem. Są one wykorzystywane w dziedzinie sztucznej inteligencji do wykrywania złożonych struktur w dużych ilościach danych.
„Sieć neuronowa może przewidzieć, które modele galaktyk mogą istnieć w rzeczywistości, a które nie. Sieć neuronowa zapewnia znacznie szybsze przewidywanie niż symulacje numeryczne stosowane w przeszłości. Oznacza to, że hipotezy astrofizyczne, które zostały wysunięte w ciągu ostatnich dziesięcioleci, mogą zostać zweryfikowane lub sfalsyfikowane w ciągu kilku sekund” – mówi dr Sebastian Wolfschmidt, pracownik naukowy Katedry Matematyki VI na Uniwersytecie w Bayreuth.
„Po przeprowadzeniu różnych badań analitycznych i numerycznych, zdaliśmy sobie sprawę, że wykorzystanie uczenia maszynowego może być szczególnie pomocne w przypadku niektórych z naszych problemów. Od tego czasu opracowaliśmy głęboką sieć neuronową i mamy już plany dotyczące dalszych zastosowań podobnych metod” – dodają naukowcy.
Obliczenia matematyków zostały przeprowadzone na superkomputerze „Keylab HPC” na Uniwersytecie w Bayreuth, a projekt powstał we współpracy z Katedrą Informatyki Stosowanej II-Systemów Równoległych i Rozproszonych.
Emil Gołoś
