Un nuevo sistema de simulación de aprendizaje automático desarrollado en la Universidad de Illinois promete a los cosmólogos un conjunto ampliado de modelos de galaxias, un primer paso necesario para desarrollar conocimientos más precisos y relevantes sobre la formación del universo.
La viabilidad de este método se ha establecido en dos artículos recientes escritos por el profesor de astronomía, física y estadística Robert Brunner, su estudiante de pregrado Harshil Kamdar y el científico investigador del Centro Nacional de Aplicaciones de Supercomputación Matthew Turk.
Los cosmólogos actualmente usan dos enfoques de simulación. El primero es una simulación de N-cuerpo, que modela cómo la materia oscura colapsa bajo la gravedad. Estas simulaciones, cuando se combinan con un modelo semianalítico, permiten a los astrónomos modelar cómo se forman las galaxias. El segundo es un N hidrodinámico-simulación de cuerpos, que permite a los astrónomos modelar directamente cómo la materia normal interactúa con la materia oscura bajo el colapso gravitacional para formar galaxias; este enfoque más computacionalmente intensivo muestra directamente cómo los grupos invisibles de materia oscura, conocidos como halos, influyen en la formación de estrellas.
"La materia oscura forma las colinas y los valles de la gravedad. Las partículas de gas caen en los valles", dijo Brunner. "Se mezclan para formar estrellas a través de un proceso que llamamos hidrodinámica. Es un proceso bastante complicado, similar a cómo funciona nuestra atmósfera. "
La hidrodinámica, dijo Brunner, brinda a los cosmólogos la información más precisa cuando se tiene en cuenta en las simulaciones de cuerpos N. Pero hay un inconveniente en el uso de simulaciones hidrodinámicas: requieren millones de horas de tiempo de supercomputación, lo que genera una factura a menudo inasequible.para proyectos de investigación.
"Las simulaciones semianalíticas también toman miles de horas", dijo Kamdar. "Nuestro enfoque de aprendizaje automático tomará solo unos minutos".
El aprendizaje automático utiliza algoritmos informáticos para identificar relaciones en datos de alta dimensión. El equipo de Illinois desarrolló un algoritmo de aprendizaje automático para mapear la relación entre los halos de materia oscura y sus contrapartes de materia normal en simulaciones hidrodinámicas de galaxias.
El aprendizaje automático reduce el tiempo de computación al aproximar las propiedades que un investigador quiere observar mediante un algoritmo que ha sido entrenado en una de las raras simulaciones hidrodinámicas de millones de horas. Si bien la ubicación exacta de la materia oscura y las partículas puede estar fuera de lugar,El equipo mostró que la distribución prevista de las galaxias y sus propiedades son casi acertadas, tanto con simulaciones hidrodinámicas de cuerpos N como modelos semianalíticos.
"La analogía sería utilizar el aprendizaje automático para predecir las puntuaciones de los estudiantes en una clase. No obtendríamos la puntuación correcta de cada estudiante, pero la distribución de las puntuaciones sería correcta", dijo Brunner.
En el primer artículo, publicado en Avisos mensuales de la Royal Astronomical Society , los investigadores demostraron que el aprendizaje automático era capaz de recrear una distribución de galaxias similar a las producidas por modelos semianalíticos. En un segundo artículo presentado, ahora disponible en ArXiv, compararon el método de aprendizaje automático con simulaciones hidrodinámicas, mapeando galaxias enel nivel de partículas, y nuevamente descubrió que el paradigma del aprendizaje automático funcionaba bien.
Su trabajo futuro incluirá poblar una simulación de solo materia oscura con galaxias utilizando el aprendizaje automático en el tiempo computacional de solo minutos. El nuevo marco de aprendizaje automático podría usarse para crear mapas simulados rápidamente de galaxias para compararlos con las observaciones.
El nuevo método es prometedor para los topógrafos que comparan sus observaciones con las simulaciones. Esto incluye tanto el Dark Energy Survey como el próximo Large Synoptic Survey Telescope, los cuales se catalogarán en la Universidad de Illinois.
Fuente de la historia :
Materiales proporcionado por Universidad de Illinois en Urbana-Champaign . Original escrito por Austin Keating. Nota: el contenido se puede editar por estilo y longitud.
Referencias de revistas :
cite esta página :