|
Двойные звездные системы - сложные астрообъекты
|
|
|
|
Звезды являются фундаментальными строительными блоками нашей Вселенной. У большинства звезд есть планеты, как у нашего Солнца есть наша солнечная система, и если посмотреть шире, то группы звезд образуют огромные структуры, такие как скопления и галактики. Поэтому, прежде чем астрофизики смогут попытаться понять эти крупномасштабные структуры, нам сначала нужно понять основные свойства звезд, такие как их масса, радиус и температура.
|
|
|
|
Но измерить эти основные свойства оказалось чрезвычайно сложно. Это связано с тем, что звезды находятся буквально на астрономических расстояниях. Если бы наше солнце было размером с баскетбольный мяч на Восточном побережье США, то ближайшая звезда, Проксима, была бы оранжевой на Гавайях. Даже самые большие телескопы в мире не могут разглядеть оранжевый цвет на Гавайях. Измерение радиусов и масс звезд, по-видимому, недоступно ученым.
|
|
|
|
Введите двойные звезды. Двойные звезды - это системы из двух звезд, вращающихся вокруг общего центра масс. Их движение регулируется гармоническим законом Кеплера, который связывает три важные величины: размеры каждой орбиты, время, необходимое для выхода на орбиту, называемое орбитальным периодом, и общую массу системы.
|
|
|
|
Я астроном, и моя исследовательская группа работает над совершенствованием нашего теоретического понимания и подходов к моделированию двойных звезд и множественных звездных систем. В течение последних двух десятилетий мы также были пионерами в использовании искусственного интеллекта для интерпретации наблюдений этих ключевых небесных объектов.
|
|
|
|
|
|
|
Измерение звездных масс
|
|
|
|
Астрономы могут достаточно легко измерить размер орбиты и период обращения двойной системы на основе наблюдений, поэтому с помощью этих двух элементов они могут рассчитать общую массу системы. Гармонический закон Кеплера действует как весы для взвешивания небесных тел.
|
|
|
|
Представьте себе качели на детской площадке. Если двое детей весят примерно одинаково, им придется сидеть примерно на одинаковом расстоянии от средней точки. Однако, если один из детей крупнее, ему или ей придется сидеть ближе, а малышу поменьше - дальше от средней точки.
|
|
|
|
То же самое и со звездами: чем массивнее звезда в двойной паре, тем она ближе к центру и тем медленнее вращается вокруг него. Когда астрономы измеряют скорости, с которыми движутся звезды, они также могут определить, насколько велики орбиты звезд и, как следствие, их вес.
|
|
Измерение звездных радиусов
|
|
|
|
Гармонический закон Кеплера, к сожалению, ничего не говорит астрономам о радиусах звезд. В этом вопросе астрономы полагаются на еще одну счастливую особенность матери-природы.
|
|
|
|
Орбиты двойных звезд ориентированы случайным образом. Иногда случается так, что поле зрения телескопа совпадает с плоскостью, в которой вращается двойная звездная система. Это случайное совпадение означает, что звезды затмевают друг друга, вращаясь вокруг центра. Формы этих затмений позволяют астрономам определять радиусы звезд, используя простую геометрию. Эти системы называются затменными двойными звездами.
|
|
|
|
Более половины всех солнцеподобных звезд находятся в двойных системах, а на затмевающие двойные системы приходится от 1% до 2% всех звезд. Это может показаться заниженным, но Вселенная огромна, поэтому в ней существует множество затмевающих систем — сотни миллионов только в нашей галактике.
|
|
|
|
Наблюдая за затмевающими двойными звездами, астрономы могут измерять не только массы и радиусы звезд, но и их температуру и яркость.
|
|
|
|
Сложные задачи требуют сложных вычислений
|
|
|
|
Даже при наличии затменных двойных систем измерение свойств звезд является непростой задачей. Звезды деформируются, когда вращаются и притягиваются друг к другу в двойной системе. Они взаимодействуют, излучают друг друга, у них могут быть пятна и магнитные поля, и они могут быть наклонены в ту или иную сторону.
|
|
|
|
Для их изучения астрономы используют сложные модели, которые имеют множество кнопок и переключателей. В качестве входных данных модели используют параметры — например, форму и размер звезды, свойства ее орбиты или количество излучаемого ею света — чтобы предсказать, как наблюдатель будет видеть такую затмевающую двойную систему.
|
|
|
|
Компьютерные модели требуют времени. Вычисление предсказаний с помощью моделей обычно занимает несколько минут. Чтобы быть уверенным, что мы можем им доверять, нам нужно испробовать множество комбинаций параметров — обычно десятки миллионов.
|
|
|
|
Для такого количества комбинаций требуются сотни миллионов минут вычислительного времени только для определения основных свойств звезд. Это составляет более 200 лет компьютерного времени.
|
|
|
|
Компьютеры, объединенные в кластер, могут выполнять вычисления быстрее, но даже при использовании компьютерного кластера требуется три или более недель, чтобы "решить" или определить все параметры для одной двойной системы. Эта проблема объясняет, почему астрономы имеют точные измерения основных параметров только для 300 звезд.
|
|
|
|
Модели, используемые для решения этих задач, уже сильно оптимизированы и не могут работать намного быстрее, чем сейчас. Поэтому исследователям нужен совершенно новый подход к сокращению вычислительного времени.
|
|
Использование глубокого обучения
|
|
|
|
Одно из решений, которое изучила моя исследовательская группа, включает в себя нейронные сети с глубоким обучением. Основная идея проста: мы хотели заменить физическую модель, требующую больших вычислительных затрат, на гораздо более быструю модель, основанную на искусственном интеллекте.
|
|
|
|
Во—первых, мы рассчитали огромную базу данных предсказаний о гипотетической двойной звезде, используя особенности, которые астрономы могут легко наблюдать, и варьировали свойства гипотетической двойной звезды. Речь идет о сотнях миллионов комбинаций параметров. Затем мы сравнили эти результаты с фактическими наблюдениями, чтобы понять, какие из них лучше всего соответствуют действительности. Искусственный интеллект и нейронные сети идеально подходят для этой задачи.
|
|
|
|
В двух словах, нейронные сети - это отображения. Они сопоставляют определенные известные входные данные с заданными выходными данными. В нашем случае они сопоставляют свойства затмевающих двоичных файлов с ожидаемыми предсказаниями. Нейронные сети имитируют бинарную модель, но без учета всей сложности физической модели.
|
|
|
|
Мы обучаем нейронную сеть, показывая ей каждое предсказание из нашей базы данных вместе с набором свойств, используемых для его генерации. После полного обучения нейронная сеть сможет точно предсказать, что астрономы должны наблюдать, исходя из заданных свойств двойной системы.
|
|
|
|
По сравнению с несколькими минутами времени выполнения физической модели, нейронная сеть использует искусственный интеллект, чтобы получить тот же результат за крошечную долю секунды.
|
|
Использование преимуществ
|
|
|
|
Крошечная доля секунды сокращает время выполнения примерно в миллион раз. Это позволяет сократить время работы на суперкомпьютере с нескольких недель до нескольких минут на одном ноутбуке. Это также означает, что мы можем анализировать сотни тысяч двоичных систем за пару недель на компьютерном кластере.
|
|
|
|
Это сокращение означает, что мы можем получить фундаментальные характеристики — массы, радиусы, температуры и светимость — для каждой затменной двойной звезды, когда-либо наблюдавшейся в течение месяца или двух. Остается большая задача - показать, что результаты искусственного интеллекта действительно дают те же результаты, что и физическая модель.
|
|
|
|
Эта задача является сутью новой статьи моей команды, опубликованной в серии дополнений к Astrophysical Journal. В ней мы показали, что модель, управляемая искусственным интеллектом, действительно, дает те же результаты, что и физическая модель, при более чем 99% комбинациях параметров. Этот результат означает, что ИИ работает стабильно. Наш следующий шаг? Разверните ИИ на всех наблюдаемых затменных двоичных файлах.
|
|
|
|
Лучший из всех? Хотя мы применили эту методологию к двоичным файлам, основной принцип применим к любой сложной физической модели. Подобные модели искусственного интеллекта уже ускоряют многие приложения в реальном мире, от прогнозирования погоды до анализа фондового рынка.
|
|
|
|
Источник
|
