.
As supernovas, estrelas em explosão, desempenham um papel crítico na formação e evolução das galáxias. No entanto, os seus principais aspectos são notoriamente difíceis de simular com precisão em períodos de tempo razoavelmente curtos. Pela primeira vez, uma equipe de pesquisadores, incluindo os da Universidade de Tóquio, aplica o aprendizado profundo ao problema da simulação de supernovas. A sua abordagem pode acelerar a simulação de supernovas e, portanto, também da formação e evolução de galáxias. Essas simulações incluem a evolução da química que deu origem à vida.
Ao ouvir falar de aprendizado profundo, você pode pensar no aplicativo mais recente que surgiu esta semana para fazer algo inteligente com imagens ou gerar texto semelhante ao humano. O aprendizado profundo pode ser responsável por alguns aspectos dos bastidores de tais coisas, mas também é amplamente utilizado em diferentes campos de pesquisa. Recentemente, uma equipe em um evento de tecnologia chamado hackathon aplicou aprendizado profundo à previsão do tempo. Provou ser bastante eficaz, e isso fez com que o estudante de doutorado Keiya Hirashima, do Departamento de Astronomia da Universidade de Tóquio, pensasse.
“O clima é um fenômeno muito complexo, mas em última análise se resume a cálculos de dinâmica de fluidos”, disse Hirashima. “Então, perguntei-me se poderíamos modificar modelos de aprendizagem profunda usados para previsão do tempo e aplicá-los a outro sistema fluido, mas que existe numa escala muito maior e ao qual não temos acesso direto: o meu campo de investigação, explosões de supernovas.”
As supernovas ocorrem quando estrelas com massa adequada queimam a maior parte do seu combustível e colapsam em enormes explosões. Eles são tão grandes que podem influenciar, e influenciam, grandes áreas dentro de suas galáxias hospedeiras. Se uma supernova tivesse acontecido há algumas centenas de anos, a algumas centenas de anos-luz da Terra, talvez você não estivesse lendo este artigo agora. Portanto, quanto melhor compreendermos as supernovas, melhor poderemos compreender porque é que as galáxias são como são.
“O problema é o tempo que leva para calcular a forma como as supernovas explodem. Atualmente, muitos modelos de galáxias ao longo de longos períodos de tempo simplificam as coisas, fingindo que as supernovas explodem de uma forma perfeitamente esférica, pois isto é relativamente fácil de calcular,” disse Hirashima. “No entanto, na realidade, eles são bastante assimétricos. Algumas regiões da camada de material que forma o limite da explosão são mais complexas do que outras. Aplicamos o aprendizado profundo para ajudar a determinar quais partes da explosão requerem mais ou menos atenção durante uma simulação para garantir a melhor precisão, ao mesmo tempo que leva o menor tempo geral. Essa forma de dividir um problema é chamada de divisão hamiltoniana. Nosso novo modelo, 3D-MIM, pode reduzir o número de etapas computacionais no cálculo de 100.000 anos de evolução de supernova em 99%. Então, acho que também ajudaremos a reduzir o gargalo.”
É claro que o aprendizado profundo requer treinamento profundo. Hirashima e sua equipe tiveram que executar centenas de simulações, consumindo milhões de horas de tempo computacional (os supercomputadores são altamente paralelos, então esse período de tempo seria dividido entre os milhares de elementos de computação necessários). Mas os resultados provaram que valeu a pena. Esperam agora aplicar a sua metodologia a outras áreas da astrofísica; por exemplo, a evolução galáctica também é influenciada por grandes regiões de formação estelar. O 3D-MIM modela a morte das estrelas e talvez em breve também seja usado para modelar o seu nascimento. Poderia até encontrar uso além da astrofísica em outros campos que exigem altas resoluções espaciais e temporais, como simulações climáticas e de terremotos.
.
