“ستاره های خون آشام” پس از خوردن زیاد منفجر می شوند – هوش مصنوعی ممکن است به فاش شدن دلیل آن کمک کند

دانشمندان برای درک بهتر چرایی انفجار برخی از بقایای ستاره های مرده، به نام ستاره های کوتوله سفید، به هوش مصنوعی (AI) روی آورده اند.
این انفجارهای انرژی به اصطلاح ابرنواختر نوع Ia، ممکن است مسئول جعل عناصر سنگین و کاشت آنها در فضا باشد. این عناصر هستند که می توانند تبدیل شوند بلوک های سازنده ستارگان آینده، سیارات یا حتی حیات. انتشارات مرتبط با ابرنواخترهای نوع Ia نیز به قدری متمایز است که اخترشناسان این رویدادها را “شمع های استانداردو از آنها برای اندازه گیری فواصل کیهانی بسیار زیاد استفاده کنید.
با این حال، این انفجارهای کیهانی کاملاً متفاوت از ابرنواخترهایی هستند که همراه آنها هستند مرگ ستارگان عظیممنجر به تولد ستاره های نوترونی و سیاه چاله ها ابرطوفان های نوع Ia زمانی رخ می دهند که a یک ستاره کوتوله سفید “مرده”. از موادی تغذیه می کند که از یک ستاره همراه خارج می شود.
با این حال، علیرغم اهمیت ابرنواخترهای نوع Ia در تکامل کیهانی و مفید بودن آنها به عنوان ابزار اندازه گیری آسمانی، ستاره شناسان هنوز دقیقاً نمی دانند که چگونه و چرا رخ می دهند.
زمانی که ما ابرنواخترها را مطالعه می کنیم، طیف آنها را تجزیه و تحلیل می کنیم. طیف ها شدت نور را در طول موج های مختلف نشان می دهد که تحت تأثیر قرار می گیرد عناصر ایجاد شده در ابرنواختر. هر عنصر با نور در طول موجهای منحصربهفرد برهمکنش میکند و بنابراین علامتی منحصربهفرد بر روی طیفها بر جای میگذارد.” در بیانیه ای گفت. “تجزیه و تحلیل این امضاها می تواند به شناسایی عناصر ایجاد شده در یک ابرنواختر کمک کند و جزئیات بیشتری در مورد چگونگی انفجار ابرنواخترها ارائه دهد.”
چرا کوتوله های سفید بالای سرشان منفجر می شوند؟
پس از حدود 5 میلیارد سال، خورشید هیدروژن تمام خواهد کردسوخت لازم برای سوخت هسته ای در هسته آن. انتهای این همجوشی هیدروژن-هلیوم همچنین فشار تشعشع بیرونی را که در حال حاضر خورشید را در برابر فشار گرانش خود به داخل حمایت میکند، کاهش میدهد.
هسته خورشید فرو خواهد ریخت. لایه های بیرونی آن، که هنوز در حال همجوشی هسته ای هستند، متورم خواهند شد. این امر خورشید را به یک تبدیل می کند غول سرخمرحله ای که در آن گسترش خواهد یافت مدار مریخ. این بدان معناست که سیارات درونی منظومه شمسی از جمله زمین بلعیده خواهند شد.
این مرحله غول سرخ حدود 1 میلیارد سال طول خواهد کشید که حدود 10 درصد از کل عمر خورشید است. در طی این مرحله، لایه های بیرونی برآمده خورشید پراکنده و سرد می شوند. نتیجه نهایی یک هسته ستاره ای در حال سوختن خواهد بود، یا کوتوله سفیداحاطه شده توسط ابری از گاز و غبار به نام a سحابی سیاره ای (که از قضا اصلا ربطی به سیارات ندارد). برای خورشید، فاز کوتوله سفید پایان وجودش را رقم خواهد زد.
ستارگان دیگری که تقریباً به اندازه خورشید هستند نیز به کوتوله های سفید تبدیل می شوند، اما اگر شریک دوتایی داشته باشند، ممکن است این پایان زندگی آنها نباشد. به جای ناپدید شدن، برخی از کوتوله های سفید ممکن است با یک انفجار ناپدید شوند.

درست مثل یک یک خون آشام اگر جسد ستاره ای کوتوله سفید به اندازه کافی به ستاره دیگری نزدیک شود (یا اگر آن ستاره در طول مرحله غول سرخ خود منفجر شده باشد) از قبر خود برمی خیزد تا خون یک قربانی بی گناه را جشن بگیرد. تغذیه از مواد ستاره ای قربانی خود.
با این حال، ماده این ستاره اهداکننده به دلیل حفظ تکانه زاویه ای نمی تواند مستقیماً روی سطح کوتوله سفید بیفتد. در عوض، دیسکی بین ستاره اهداکننده و کوتوله سفید تشکیل میدهد که از موادی ساخته شده است که به تدریج وارد بقایای متراکم ستاره میشود. این ماده انباشته شده روی سطح بقایای ستاره ای تجمع می یابد و جرم کوتوله سفید را فراتر از به اصطلاح افزایش می دهد. حد چاندراسخار، که برابر با 1.4 برابر جرم خورشید است. این نشان دهنده حد جرمی است که یک ستاره برای تبدیل شدن به ابرنواختر باید از آن عبور کند.
تغذیه آدمخوارانه یک کوتوله سفید از یک ستاره اهداکننده در نهایت باعث ایجاد یک انفجار گرما هسته ای می شود: یک ابرنواختر نوع Ia.
یکی از تفاوت های اصلی بین ابرنواخترهای نوع Ia و ابرنواختر “فروپاشی هسته”.زمانی که هستههای ستارگان پرجرم روی خود فرو میریزند و ستارههای نوترونی یا سیاهچالهها را تا لحظه تولد خرد میکنند، این است که کوتولههای سفید در اثر انفجاری که از تغذیه هولناک آنها به وجود میآید به طور کامل نابود میشوند.

برای درک بهتر این فرآیند، تیم دانشگاه وارویک به یادگیری ماشین روی آورد. با استفاده از این شکل از هوش مصنوعی، تیم توانست تایپ Ia را شتاب دهد شبیه سازی ابرنواختر، که به طور سنتی زمان زیادی را صرف می کنند و قدرت محاسباتی زیادی را می طلبند. تیم توضیح داد که به طور معمول، یک مدل می تواند بین 10 تا 90 دقیقه طول بکشد.
ما می خواهیم صدها یا هزاران مدل را برای درک کامل ابرنواختر مقایسه کنیم. مگی گفت که این واقعاً در بسیاری از موارد امکان پذیر نیست. “تحقیقات جدید ما از این روند طولانی فاصله خواهد گرفت. ما الگوریتمهای یادگیری ماشینی را در مورد چگونگی شکلگیری انواع مختلف انفجار آموزش خواهیم داد و از آنها برای تولید مدلهای بسیار سریعتر استفاده میکنیم.
وی افزود که به روشی مشابه نحوه استفاده انسان از هوش مصنوعی برای تولید آثار هنری یا متن، محققان می توانند شبیه سازی ابرنواخترها را تولید کنند. این تیم اکنون میتواند نتایج بهدستآمده از شبیهسازیهای مبتنی بر هوش مصنوعی را با مشاهدات دنیای واقعی ابرنواخترهای واقعی نوع Ia مقایسه کند.
مگی گفت: “ما قادر خواهیم بود هزاران مدل را در کمتر از یک ثانیه تولید کنیم، که این یک تقویت بزرگ برای تحقیقات ابرنواختری خواهد بود.” از این دادهها، مدلهایی را آماده میکنیم که با ابرنواخترهای واقعی مقایسه میشوند تا مشخص کنیم که این ابرنواختر چه نوع است و دقیقاً چگونه منفجر شده است.»

با این حال، مزایای این روش به سرعت محدود نمی شود. افزایش دقت فرآیند مبتنی بر هوش مصنوعی همچنین به محققان این امکان را می دهد که بهتر تعیین کنند مجموعه ای از عناصر جعلی در اطراف انفجارهای نوع Ia که سپس در فضا پراکنده می شوند.
مگی گفت: “بررسی عناصر آزاد شده توسط ابرنواخترها گامی مهم در تعیین نوع انفجاری است که رخ داده است، زیرا برخی از انواع انفجارها بیشتر از برخی از عناصر تولید می کنند.” سپس میتوانیم ویژگیهای انفجار را به ویژگیهای آن مرتبط کنیم ابرنواختر میزبان کهکشان ها و ارتباط مستقیمی بین نحوه وقوع انفجار و نوع کوتوله سفیدی که منفجر شده است ایجاد کنید.”
این تیم اکنون تلاش خواهد کرد تا روند خود را به گونهای گسترش دهد که بتوان آن را در سایر ابرنواخترها، از جمله ابرنواخترهای مرتبط با ایجاد ستارههای نوترونی و سیاهچالهها، به کار برد. این می تواند به ارتباط ویژگی های این ابرنواخترها با کهکشان هایی که در آنها رخ می دهند کمک کند.
توماس کیلشتاین از دانشگاه تورکو میگوید: «با بررسیهای مدرن، ما بالاخره مجموعه دادههایی با اندازه و کیفیت داریم تا به برخی از سؤالات کلیدی باقی مانده در علم ابرنواخترها پاسخ دهیم: دقیقاً چگونه منفجر میشوند.» چنین رویکردهای یادگیری ماشینی امکان مطالعه تعداد بیشتری از ابرنواخترها را با جزئیات بیشتر و سازگاری بیشتر نسبت به رویکردهای قبلی فراهم می کند.
تحقیقات این تیم در ماه مه منتشر شد اعلامیه های ماهانه انجمن سلطنتی نجوم (MNRAS)،




