Supernovae oder explodierende Sterne spielen eine entscheidende Rolle bei der Entstehung und Entwicklung von Galaxien. Allerdings ist es bekanntermaßen schwierig, Schlüsselaspekte dieser Phänomene in einigermaßen kurzer Zeit genau zu simulieren.
Zum ersten Mal hat ein Forscherteam, darunter auch von der Universität Tokio, Deep Learning auf das Problem der Supernova-Simulation angewendet. Die Arbeit ist veröffentlicht im Tagebuch Monatliche Mitteilungen der Royal Astronomical Society.
Ihr Ansatz kann die Simulation von Supernovae und damit auch der Galaxienentstehung und -entwicklung beschleunigen. Diese Simulationen umfassen die Entwicklung der Chemie, die zum Leben führte.
Deep Learning wird in der Forschung häufig eingesetzt. Kürzlich wandte ein Team bei einer Tech-Veranstaltung namens „Hackathon“ Deep Learning auf die Wettervorhersage an. Es erwies sich als sehr effektiv und brachte die Doktorandin Keiya Hirashima von der Abteilung für Astronomie der Universität Tokio zum Nachdenken.
„Das Wetter ist ein sehr komplexes Phänomen, aber letztendlich läuft es auf Berechnungen der Strömungsdynamik hinaus“, sagte Hirashima. „Also habe ich mich gefragt, ob wir Deep-Learning-Modelle, die für die Wettervorhersage verwendet werden, modifizieren und auf ein anderes Fluidsystem anwenden könnten, das jedoch in weitaus größerem Maßstab existiert und zu dem wir keinen direkten Zugang haben: mein Forschungsgebiet, Supernova-Explosionen.“
Supernovae entstehen, wenn ausreichend massereiche Sterne den größten Teil ihres Treibstoffs verbrennen und in gewaltigen Explosionen kollabieren. Sie sind so groß, dass sie große Bereiche innerhalb ihrer Heimatgalaxien beeinflussen können und dies auch tun. Wenn vor ein paar hundert Jahren im Umkreis von ein paar hundert Lichtjahren von der Erde eine Supernova stattgefunden hätte, würden Sie diesen Artikel vielleicht gerade nicht lesen. Je besser wir also Supernovae verstehen, desto besser können wir verstehen, warum Galaxien so sind, wie sie sind.
„Das Problem ist die Zeit, die benötigt wird, um die Art und Weise zu berechnen, wie Supernovae explodieren. Derzeit vereinfachen viele Modelle von Galaxien über lange Zeiträume die Dinge, indem sie so tun, als würden Supernovae in einer perfekt kugelförmigen Form explodieren, da dies relativ einfach zu berechnen ist“, sagte Hirashima.
„In Wirklichkeit sind sie jedoch ziemlich asymmetrisch. Einige Bereiche der Materialhülle, die die Grenze der Explosion bildet, sind komplexer als andere. Wir haben Deep Learning angewendet, um herauszufinden, welche Teile der Explosion mehr oder weniger Aufmerksamkeit erfordern.“ während einer Simulation, um die beste Genauigkeit zu gewährleisten und gleichzeitig den geringsten Zeitaufwand zu erzielen.
„Diese Art der Aufteilung eines Problems nennt man Hamilton-Aufteilung. Unser neues Modell, 3D-MIM, kann die Anzahl der Rechenschritte bei der Berechnung von 100.000 Jahren Supernova-Entwicklung um 99 % reduzieren. Ich denke also, dass wir wirklich zur Reduzierung beitragen werden.“ auch ein Engpass.
Eine effizientere Simulation. Während einer Supernova-Simulation zeigt (links) die Vorhersage einer aktuellen Simulationsmethode. (Rechts) zeigt die Vorhersage von 3D-MIM, die der der derzeit führenden Methode recht nahe kommt, deren Ausführung jedoch weitaus weniger Zeit in Anspruch nimmt, was Zeit, Energie und Kosten für Rechenzeit spart. Bildnachweis: Hirashima et al., CC-BY-ND
Natürlich erfordert tiefes Lernen tiefes Training. Hirashima und sein Team mussten Hunderte von Simulationen durchführen, die Millionen von Stunden Computerzeit in Anspruch nahmen (Supercomputer sind hochgradig parallel, daher würde diese Zeitspanne auf die Tausenden von erforderlichen Rechenelementen aufgeteilt werden). Aber ihre Ergebnisse bewiesen, dass es sich gelohnt hat.
Sie hoffen nun, ihre Methodik auf andere Bereiche der Astrophysik anwenden zu können; Beispielsweise wird die galaktische Entwicklung auch von großen Sternentstehungsgebieten beeinflusst. 3D-MIM modelliert den Tod von Sternen und wird vielleicht bald auch zur Modellierung ihrer Geburten verwendet. Es könnte sogar über die Astrophysik hinaus in anderen Bereichen Verwendung finden, die hohe räumliche und zeitliche Auflösungen erfordern, beispielsweise Klima- und Erdbebensimulationen.
Mehr Informationen:
Keiya Hirashima et al., 3D-raumzeitliche Vorhersage der Ausbreitung von Supernova-Hüllen unter Verwendung von Deep Learning für hochauflösende Galaxiensimulationen, Monatliche Mitteilungen der Royal Astronomical Society (2023). DOI: 10.1093/mnras/stad2864