Bayreuther Wissenschaftler untersuchen die Struktur und das Langzeitverhalten von Galaxien mithilfe mathematischer Modelle, die auf Einsteins Relativitätstheorie basieren. Ihr innovativer Ansatz nutzt ein tiefes neuronales Netzwerk, um die Stabilität von Galaxienmodellen schnell vorherzusagen. Diese auf künstlicher Intelligenz basierende Methode ermöglicht eine effiziente Verifizierung oder Falsifizierung astrophysikalischer Hypothesen in Sekundenschnelle.
Das Forschungsziel von Dr. Sebastian Wolfschmidt und Christopher Straub ist die Untersuchung der Struktur und des Langzeitverhaltens von Galaxien. „Da diese durch astronomische Beobachtungen nicht vollständig analysiert werden können, verwenden wir mathematische Modelle von Galaxien“, erklärt Christopher Straub, Doktorand am Lehrstuhl für Mathematik VI der Universität Bayreuth.
„Um zu berücksichtigen, dass die meisten Galaxien in ihrem Zentrum ein Schwarzes Loch enthalten, basieren unsere Modelle auf Albert Einsteins allgemeiner Relativitätstheorie, die die Schwerkraft als die Krümmung der vierdimensionalen Raumzeit beschreibt.“
Mathematiker und Astrophysiker erforschen seit Jahrzehnten die Eigenschaften solcher Galaxienmodelle, doch viele offene Fragen bleiben offen. Um diese Fragen zu beantworten, haben Straub und Wolfschmidt ein tiefes neuronales Netzwerk implementiert, das einen völlig neuen Ansatz in diesem Forschungsgebiet darstellt.
Neuronale Netze sind leistungsstarke Rechenmodelle, deren Struktur von der des menschlichen Gehirns inspiriert ist. Sie werden im Bereich der künstlichen Intelligenz eingesetzt, um komplexe Strukturen in großen Datenmengen zu erkennen.
„Das neuronale Netz kann vorhersagen, welche Modelle von Galaxien in der Realität existieren können und welche nicht“, sagt Dr. Sebastian Wolfschmidt, wissenschaftlicher Mitarbeiter am Lehrstuhl für Mathematik VI. „Das neuronale Netz liefert eine deutlich schnellere Vorhersage als die bisher verwendeten numerischen Simulationen. Damit können astrophysikalische Hypothesen, die in den vergangenen Jahrzehnten aufgestellt wurden, innerhalb weniger Sekunden verifiziert oder falsifiziert werden.“
Wolfschmidt und Straub Ergebnisse wurden zur Veröffentlichung in der Zeitschrift angenommen Klassische und Quantengravitation.
„Seit 2019 beschäftigen wir uns am Lehrstuhl für Mathematik VI in der Forschungsgruppe von Prof. Dr. Gerhard Rein mit diesen Fragestellungen. Nach verschiedenen analytischen und numerischen Untersuchungen haben wir vor etwa einem Jahr festgestellt, dass der Einsatz von maschinellem Lernen für manche besonders hilfreich sein kann.“ „Wir haben seitdem das oben beschriebene tiefe neuronale Netzwerk entwickelt und haben bereits Pläne für weitere Anwendungen ähnlicher Methoden“, sagt Straub.
Die Berechnungen der Bayreuther Mathematiker wurden vom Supercomputer des „Keylab HPC“ der Universität Bayreuth durchgeführt und das Projekt entstand in Zusammenarbeit mit dem Lehrstuhl für Angewandte Informatik II – Parallele und Verteilte Systeme.
Mehr Informationen:
Christopher Straub et al, EVStabilityNet: Vorhersage der Stabilität von Sternhaufen in der Allgemeinen Relativitätstheorie, Klassische und Quantengravitation (2024). DOI: 10.1088/1361-6382/ad228a