سیستم های Binar Star اشیاء نجومی پیچیده ای هستند – یک رویکرد هوش مصنوعی جدید می تواند به سرعت خصوصیات آنها را کاهش دهد

این مقاله در ابتدا منتشر شد مکالمه این نشریه به مقاله در Space.com کمک کرده است آراء متخصص: op-ad و بینشحرف
ستاره ها بلوک های اصلی ساختمان جهان ما هستند. بیشتر ستارگان میزبان سیارات ، خورشید ما میزبان منظومه شمسی ما هستند و اگر به گروه های وسیع تری نگاه می کنید ، ستاره ها ساختارهای عظیمی مانند خوشه ها و کهکشان ها را تشکیل می دهند. بنابراین قبل از اینکه اخترفیزیکدانان بتوانند این ساختارهای بزرگ در مقیاس را درک کنند ، ابتدا باید خواص اساسی ستارگان مانند جرم ، شعاع و دما آنها را درک کنیم.
اما اندازه گیری این خصوصیات اساسی بسیار دشوار بود. این امر به این دلیل است که ستاره ها به معنای واقعی کلمه مسافت نجومی هستند. اگر خورشید ما در سواحل شرقی ایالات متحده بسکتبال بود ، نزدیکترین ستاره ، پروکسیما ، در هاوایی نارنجی خواهد بود. حتی بزرگترین تلسکوپ های جهان نمی توانند اجازه نارنجی در هاوایی را بدهند. به نظر می رسد اندازه گیری شعاع و توده های ستاره ها از دانشمندان خارج است.
وارد ستاره های باینری شوید. باینرها دو سیستم استار هستند که در اطراف مرکز متقابل جدول می چرخند. جنبش آنها با قانون هماهنگ کپلر اداره می شود ، که سه مقدار مهم را به هم متصل می کند: ابعاد هر مدار ، زمانی که آنها را به مدار به نام دوره مداری و کل توده سیستم می برد.
من یک ستاره شناس هستم و تیم تحقیقاتی من در مورد بهبود رویکردهای نظری ما برای درک و الگوبرداری از ستاره های باینری و بسیاری از سیستم های ستاره کار می کند. در طول دو دهه گذشته ، ما همچنین پیشگام استفاده از هوش مصنوعی در تفسیر مشاهدات این اشیاء آسمانی سنگ بنای سنگ هستیم.
اندازه گیری جداول ستاره
اخترشناسان می توانند اندازه مداری و دوره یک سیستم باینری را به راحتی به اندازه کافی از مشاهدات اندازه گیری کنند ، بنابراین با این دو قطعه می توانند کل جرم سیستم را محاسبه کنند. قانون هماهنگ کپلر به عنوان مقیاس برای وزن دادن به اجساد آسمانی عمل می کند.
یک زمین بازی را در نظر بگیرید. اگر این دو کودک تقریباً یکسان باشند ، باید تقریباً در همان فاصله از نقطه میانی بنشینند. با این حال ، اگر کودک بیشتر باشد ، مجبور است نزدیکتر بنشیند و کودک کوچکتر از نقطه میانی.
با ستاره ها یکسان است: هرچه ستاره در یک جفت باینری عظیم تر باشد ، مرکز نزدیک تر می شود و آهسته تر در اطراف مرکز می چرخد. هنگامی که اخترشناسان سرعت هایی را که ستاره ها با آن حرکت می کنند اندازه گیری می کنند ، می توانند درک کنند که مدارهای ستاره ها چقدر بزرگ هستند و در نتیجه آنچه لازم دارند وزن داشته باشند.
اندازه گیری رادیوهای ستاره
متأسفانه ، قانون هماهنگ کپلر چیزی در مورد شعاع ستارگان به اخترشناسان نمی گوید. برای آنها ، اخترشناسان به ویژگی دیگری از طبیعت مادر متکی هستند.
مدارهای دو ستاره به طور تصادفی گرا هستند. بعضی اوقات اتفاق می افتد که خط بینایی یک تلسکوپ با هواپیماهای سیستم باینری ستاره هماهنگ خواهد شد. این تراز تصادفی به این معنی است که ستاره ها هنگام چرخش در اطراف مرکز به یکدیگر تاریک می شوند. اشکال این گرفتگی ها به اخترشناسان این امکان را می دهد تا شعاع ستاره ها را با استفاده از هندسه روشن پیدا کنند. به این سیستم ها تیره شدن ستاره های باینری گفته می شود.
بیش از نیمی از همه ستاره های شبیه به آفتاب در پرونده های باینری یافت می شوند و تاریک شدن پرونده های باینری حدود 1 ٪ تا 2 ٪ از همه ستاره ها را نشان می دهد. این ممکن است کم به نظر برسد ، اما جهان بسیار زیاد است ، بنابراین بسیاری از سیستم های کم نور در آنجا وجود دارد – صدها میلیون تنها در کهکشان ما.
اخترشناسان با مشاهده پرونده های باینری تیره ، می توانند نه تنها توده ها و شعاع ستاره ها را اندازه گیری کنند ، بلکه چقدر داغ هستند و چقدر روشن هستند.

مشکلات پیچیده نیاز به محاسبات پیچیده دارد
حتی هنگام تاریک کردن پرونده های باینری ، اندازه گیری خواص ستاره ها کار آسانی نیست. ستاره ها هنگام چرخش تغییر شکل می دهند و به یک سیستم باینری می روند. آنها در تعامل هستند ، به یکدیگر تابش می کنند ، می توانند لکه ها و میدان های مغناطیسی داشته باشند و از این طریق یا آن کج می شوند.
برای مطالعه آنها ، اخترشناسان از مدل های پیچیده ای استفاده می کنند که دکمه ها و سوئیچ های زیادی دارند. به عنوان ورودی ، مدل ها پارامترهایی را می پذیرند – به عنوان مثال ، شکل و اندازه ستاره ، خصوصیات مداری آن یا میزان نور آن – برای پیش بینی اینکه چگونه یک ناظر چنین سیستم باینری تاریک را مشاهده می کند.
مدل های رایانه ای زمان می برد. پیش بینی های محاسبه مدل معمولاً چند دقیقه طول می کشد. برای اطمینان از اینکه می توانیم به آنها اعتماد کنیم ، باید ترکیبات بسیاری از پارامترها را امتحان کنیم – معمولاً ده ها میلیون.
این ترکیبات بسیاری فقط برای تعیین خصوصیات اساسی ستاره ها به صدها میلیون دقیقه محاسبه نیاز دارند. این بیش از 200 سال وقت رایانه است.
رایانه های اتصال خوشه ای می توانند سریعتر محاسبه شوند ، اما حتی با استفاده از یک خوشه رایانه ، سه یا چند هفته طول می کشد تا “حل” یا تعیین همه پارامترها برای یک باینری. این چالش توضیح می دهد که چرا فقط در حدود 300 ستاره وجود دارد که اخترشناسان اندازه گیری دقیقی از پارامترهای اساسی خود دارند.
مدل های مورد استفاده برای حل این سیستم ها در حال حاضر بسیار بهینه شده اند و نمی توانند خیلی سریعتر از گذشته پیش بروند. بنابراین ، محققان برای کاهش زمان محاسبه به یک رویکرد کاملاً جدید نیاز دارند.
با استفاده از آموزش عمیق
یک راه حل که تیم تحقیقاتی من مطالعه کرده است شامل شبکه های عصبی برای آموزش های عمیق است. ایده اصلی ساده است: ما می خواستیم یک مدل فیزیکی گران قیمت محاسبه شده را با یک مدل مبتنی بر هوش مصنوعی بسیار سریعتر جایگزین کنیم.
اول ، ما یک پایگاه داده عظیم پیش بینی ها را برای یک ستاره باینری فرضی محاسبه کرده ایم – با استفاده از ویژگی هایی که اخترشناسان می توانند به راحتی مشاهده کنند – جایی که ما خواص ستاره باینری فرضی را متنوع می کنیم. ما در مورد صدها میلیون ترکیب پارامتر صحبت می کنیم. سپس این نتایج را با مشاهدات واقعی مقایسه کردیم تا ببینیم کدام یک بهترین مسابقه هستند. شبکه های هوش مصنوعی و عصبی از نظر ایده آل برای این کار مناسب هستند.
به طور خلاصه ، شبکه های عصبی کارت هستند. آنها یک ورودی شناخته شده خاص را به یک خروجی داده شده ترسیم می کنند. در مورد ما ، آنها خواص تاریک کردن پرونده های باینری را به پیش بینی های مورد انتظار ترسیم می کنند. شبکه های عصبی از مدل باینری تقلید می کنند ، اما بدون اینکه تمام پیچیدگی های مدل فیزیکی را در نظر بگیرند.
ما شبکه عصبی را با نشان دادن هرگونه پیش بینی از پایگاه داده خود ، به همراه مجموعه ای از خواص مورد استفاده برای تولید آن ، آموزش می دهیم. پس از آموزش کامل ، شبکه عصبی قادر خواهد بود دقیقاً آنچه را که اخترشناسان باید از ویژگی های داده شده یک سیستم باینری نظارت کنند ، پیش بینی کند.
در مقایسه با چند دقیقه برای انجام مدل فیزیکی ، شبکه عصبی از هوش مصنوعی استفاده می کند تا در قسمت کوچکی از ثانیه نتیجه مشابهی کسب کند.

مزایا را استخراج کنید
بخش کوچکی از ثانیه به حدود یک میلیون برابر کاهش زمان اعدام بدست می آید. این زمان از هفته های ابر رایانه ای تا فقط چند دقیقه روی لپ تاپ طول می کشد. همچنین این بدان معناست که ما می توانیم صدها هزار سیستم باینری را در عرض چند هفته در یک خوشه رایانه تجزیه و تحلیل کنیم.
این کاهش به این معنی است که ما می توانیم خواص اساسی – توده های ستاره ، شعاع ، دما و چراغ – برای هر ستاره باینری برای گرفتگی تا کنون در طی یک یا دو ماه مشاهده کنیم. بقیه چالش بزرگ این است که نشان دهیم که نتایج AI واقعاً همان نتایج فیزیکی را به دست می آورد.
این کار جوهر کتاب جدید تیم من است. در آن ، ما نشان دادیم که در حقیقت ، مدل AI-Moving نتایج مشابه مدل فیزیکی را در بیش از 99 ٪ از ترکیبات پارامترها ارائه می دهد. این نتیجه به این معنی است که ارائه AI پایدار است. مرحله بعدی ما؟ AI را در تمام پرونده های باینری تیره مشاهده شده ارائه دهید.
بهترین ها از همه؟ همانطور که ما از این روش در پرونده های باینری استفاده کردیم ، اصل اساسی در مورد هر مدل فیزیکی پیشرفته در آنجا اعمال می شود. چنین مدل های هوش مصنوعی در حال حاضر بسیاری از برنامه های کاربردی را در دنیای واقعی ، از زمان پیش بینی تا تجزیه و تحلیل بازار سهام ، تسریع می کنند.
این مقاله دوباره منتشر شده است مکالمه تحت مجوز Creative Commons. خواندن مقاله اصلیحرف



.jpg?1688576868)