Los planetas crecen en discos estelares acumulando material sólido y gas. El hecho de que se conviertan en cuerpos como la Tierra o Júpiter depende de diferentes factores como las propiedades de los sólidos, la presión y la temperatura en el disco y el material ya acumulado. Con modelos de computadora, los astrofísicosintenta simular el proceso de crecimiento y determinar la estructura planetaria interior. Para las condiciones de contorno dadas, calculan las masas de la envoltura de gas de un planeta. "Esto requiere resolver un conjunto de ecuaciones diferenciales", explica Yann Alibert, oficial científico del NCCR PlanetSen la Universidad de Berna: "Resolver estas ecuaciones ha sido una especialidad de los astrofísicos aquí en Berna durante los últimos 15 años, pero es un proceso complicado y lento".
Para acelerar los cálculos, Yann Alibert y la asociada de PlanetS, Julia Venturini, del Instituto Internacional de Ciencias Espaciales ISSI en Berna, adoptaron un método que ya ha capturado muchos otros campos, incluido el teléfono inteligente en nuestras manos: aprendizaje profundo. Por ejemplo, se utilizapara el reconocimiento de rostros e imágenes. Pero esta rama de la inteligencia artificial y el aprendizaje automático también ha mejorado la traducción automática de idiomas y será crucial para los autos sin conductor. "También hay una gran exageración en astronomía", dice Alibert: "El aprendizaje automático ya hase han utilizado para analizar observaciones, pero que yo sepa, somos los primeros en utilizar el aprendizaje profundo para tal fin ". Alibert y Venturini publican sus resultados en la revista Astronomía y Astrofísica A y A.
Base de datos de millones de planetas
Primero, los investigadores tuvieron que crear una base de datos. Calcularon millones de posibles estructuras interiores de planetas. "Nos tomó tres semanas calcular todos estos casos de prueba usando un código desarrollado por Julia Venturini durante su doctorado en Berna", dice AlibertEl siguiente paso fue decidir la arquitectura de una red neuronal artificial, un conjunto de algoritmos que pasa los datos de entrada a través de operaciones matemáticas y tiene la capacidad de aprender sin ser programado explícitamente. "Luego, capacitamos a esta red utilizando nuestra gigantesca base de datos".explica el astrofísico: "Ahora nuestra red puede predecir la masa de un planeta que se forma bajo ciertas condiciones con una muy buena precisión y tremendamente más rápido que resolver las ecuaciones diferenciales".
El proceso de aprendizaje profundo es mucho más preciso que los métodos desarrollados previamente para reemplazar la solución de ecuaciones diferenciales por algunas fórmulas analíticas. Estas fórmulas analíticas podrían predecir que un planeta debería crecer hasta la masa de Júpiter, mientras que en realidad no podría tenermás masa que Neptuno. "Demostramos que nuestras redes neuronales profundas proporcionan una muy buena aproximación al nivel de porcentajes", resume Alibert. Los investigadores proporcionan sus resultados en la plataforma de desarrollo de software GitHub, para que los colegas que trabajan en la formación de planetas en todo elel mundo se beneficia de ellos.
Fuente de la historia :
Materiales proporcionado por Universidad de Berna . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :