Местом рождения всех планет являются так называемые протопланетные диски - кольцевые скопления пыли и газа вокруг молодых звезд. Но вот как именно происходит появление изначальных планетарных зародышей, до сих пор в деталях ученым неизвестно. И при этом превратится ли первоначальное планетарное ядро в конечном итоге в каменистую планету, подобную Земле, или в газовый гигант, такой как Юпитер, зависит, помимо прочего, от свойств исходного материала, давления и температуры в околозвездном диске.
Как именно планеты рождаются в протопланетных дисках, ученые до конца понять еще не смогли. Иллюстрация: NASA/JPL-Caltech
Чтобы смоделировать процесс роста и внутреннюю структуру планет, астрономам до сих пор приходилось решать ряд сложных дифференциальных уравнений, что представляет собой чрезвычайно трудоемкий процесс. Поэтому ученые из швейцарского Берна представили новый метод, который глобально ускоряет эти вычисления, опираясь при этом на помощь искусственного интеллекта.
DeepLearning (глубинное обучение) с использованием обширных баз данных
Подход Янн Алиберт из Университета Берна и Джулии Вентурини из Международного института космических наук в Берне как раз и основан на «DeepLearning» (глубинном обучении) - варианте искусственного интеллекта, который используется, например, для распознавания изображений или автоматического перевода. Исследователи создали базу данных миллионов возможных вариантов внутренних структур планет. Затем они запитали нейронную сеть набором алгоритмов, которые направляют входные данные посредством математических операций и имеют возможность обучаться без эксплицитного программирования.
Благодаря обучению на основе базы данных, нейронная сеть научилась значительно сокращать время и объемы столь затратных до сих пор и трудоемких вычислений. «Теперь наша сеть может предсказать массу планеты, которая возникает при определенных условиях, с очень хорошей точностью и гораздо быстрее, чем если бы вам пришлось, как это происходило ранее, решать дифференциальные уравнения», - говорит Алиберт.
Быстро и точно
Процесс глубинного обучения гораздо более точен, чем все ранее разработанные методы, где некоторые аналитические формулы заменили решение дифференциальных уравнений. Правда, эти аналитические формулы пока что местами предсказывают, что планета должна вырасти, скажем, до массы Юпитера, хотя в действительности она не может иметь массы больше, чем Нептун. Но подобные неточности, утверждают исследователи, это пока что «детская болезнь» новой методики. «Мы демонстрируем, что наши нейронные сети обеспечивают очень хорошее приближение в процентном диапазоне», - резюмирует Алиберт.
Ученые опубликовали свою методологию в журнале Astronomy and Astrophysics и представили свои результаты на платформе разработки программного обеспечения GitHub, чтобы коллеги, работающие в области изучения формирования планет со всего мира, могли извлечь из этого пользу.
0
