Sistemet binare të yjeve janë objekte astronomike komplekse − një qasje e re me AI mund të përcaktojë shpejt pronësitë e tyre

Yjet janë blloqt bazë themelorë të universit tonë. Shumica e yjeve kanë planete, si Dielli ynë që mbështjell sistemin tonë diellor, dhe nëse shikoni më gjerë, grupe yjesh përbëjnë struktura të mëdha si grupe dhe galaksi. Pra, para se astronomët të mund të përpiqen të kuptojnë këto struktura të mëdha, së pari duhet të kuptojmë vetitë bazë të yjeve, si masa, rrezja dhe temperatura e tyre.

Por matja e këtyre vetive bazë është dëshmuar të jetë jashtëzakonisht e vështirë. Kjo sepse yjet janë gati se në distanca astronomike. Nëse Dielli ynë do të ishte një basketboll në bregun lindor të SHBA-së, atëherë ylli më i afërt, Proxima, do të ishte një portokall në Havai. Edhe teleskopët më të mëdhenj në botë nuk mund të zgjidhin një portokall në Havai. Matja e rrezeve dhe masave të yjeve duket se është jashtë mundësive të shkencëtarëve.

Hyr yjet binare. Yjet binare janë sisteme të dy yjeve që rrotullohen rreth një qendre të përbashkët të masës. Lëvizja e tyre është e udhëhequr nga ligji harmonik i Keplerit, i cili lidh tre sasi të rëndësishme: madhësitë e çdo orbitë, kohën që u duhet për të rrotulluar, e quajtur periudha orbitale, dhe masa totale e sistemit.

Unë jam një astronom, dhe ekipi im kërkimor ka punuar për të avancuar kuptimin tonë teorik dhe qasjet e modelimit për yjet binarë dhe sistemet e shumta yjore. Për dy dekada të fundit, ne gjithashtu kemi qenë duke kryer pionierë në përdorimin e inteligjencës artificiale në interpretimin e vëzhgimeve të këtyre objekteve qiellore kryesore.

Matja e masave yjore

Astronomët mund të maten lehtësisht madhësinë orbitale dhe periudhën e një sistemi binar nga vëzhgimet, kështu që me këto dy pjesë ata mund të llogarisin masën totale të sistemit. Ligji harmonik i Keplerit vepron si një shkallë për të peshuar trupat qiellorë.

Mendoni për një shesh lojrash me shufra. Nëse dy fëmijët kanë peshë rreth të njëjtën, ata do të duhet të ulen rreth të njëjtës distancë nga pika e mesme. Nëse, megjithatë, një fëmijë është më i madh, ai ose ajo do të duhet të ulet më afër, dhe fëmija më i vogël më larg nga pika e mesme.

Është e njëjtë edhe me yjet: Sa më i madh të jetë ylli në një çift binar, aq më afër është qendrës dhe aq më i ngadalshëm rrotullohet rreth qendrës. Kur astronomët matën shpejtësitë me të cilat lëvizin yjet, ata gjithashtu mund të tregojnë sa të mëdha janë orbitat e yjeve, dhe si rezultat, sa peshojnë ato.

Matja e rrezatimeve yjore

Ligji harmonik i Keplerit, fatkeqësisht, nuk i tregon astronomëve asgjë për rrezen e yjeve. Për ato, astronomët mbështeten në një tjetër tipar rastësor të Natyrës nëna.

Orët binare të yjeve janë të orientuara rastësisht. Ndonjëherë, ndodh që linja e shikimit të teleskopit të përputhet me planin mbi të cilin rrotullohet një sistem yjesh binarë. Kjo përputhje e rastësishme do të thotë që yjet mbulohen njëri-tjetrin ndërsa rrotullohen rreth qendrës. Format e këtyre mbulimeve lejojnë astronomët të zbulojnë rrezat e yjeve duke përdorur gjeometri të thjeshtë. Këto sisteme quhen yje binarë që mbulohen.

Më shumë se gjysma e të gjitha yjeve të ngjashëm me Diellin gjenden në binarë, dhe binarët që mbulohen përbëjnë rreth 1% deri në 2% të të gjitha yjeve. Kjo mund të duket e ulët, por universi është i madh, kështu që ka shumë e shumë sisteme që mbulohen – qindra miliona vetëm në galaktikën tonë.

Duke vëzhguar binarët që mbulohen, astronomët mund të maten jo vetëm masat dhe rrezat e yjeve, por edhe sa të nxehtë dhe sa të ndritshëm janë ata.

Problemet komplekse kërkojnë përpunim komplekse

Edhe me binarët që mbulohen, matja e pronave të yjeve nuk është një detyrë e lehtë. Yjet deformohen ndërsa rrotullohen dhe tërheqin njëri-tjetrin në një sistem binar. Ata ndërveprojnë, dritëzojnë njëri-tjetrin, mund të kenë vende dhe fusha magnetike, dhe mund të jenë të përrarë kështu ose ashtu.

Për t’i studiuar ato, astronomët përdorin modele komplekse që kanë shumë butona dhe kalibrues. Si hyrje, modelet marrin parametra – për shembull, forma dhe madhësia e një ylli, pronat orbitale, ose sa shumë dritë lëshon – për të parashikuar se si do ta shihte një vëzhgues një sistem të tillë binarësh që mbulohen.

Modelet kompjuterike kërkojnë kohë. Parashikimet e modeleve zakonisht marrin disa minuta. Për t’u siguruar që mund t’i besojmë, duhet të provojmë shumë kombinime parametrash – zakonisht dhjetëra miliona.

Këto shumë kombinime kërkojnë qindra miliona minuta kohë të përpunimit, vetëm për të përcaktuar pronat bazë të yjeve. Kjo përkthehet në mbi 200 vjet kohë kompjuterike.

Kompjuterët e lidhur në një klaster mund të llogarisin më shpejt, por edhe duke përdorur një klaster kompjuterësh, kërkojnë tre ose më shumë javë për të “zgjidhur”, ose përcaktuar të gjithë parametrat për, një binar të vetëm. Ky sfidë shpjegon pse ka vetëm rreth 300 yje për të cilët astronomët kanë matje të sakta të parametrave të tyre themelorë.

Modelet e përdorura për të zgjidhur këto sisteme janë tashmë shumë optimizuar dhe nuk mund të shkojnë shumë më shpejt se sa bëjnë tashmë. Pra, kërkuesit kanë nevojë për një qasje krejt të re për të reduktuar kohën e llogaritjes.

Duke përdorur mësimin e thellë

Një zgjidhje që ekipi im kërkimor ka eksploruar përfshin mësimin e thellë rrjetet nervore. Ideja bazë është e thjeshtë: Ne dëshironim të zëvendësonim një model fizik shumë të kushtueshëm në llogaritje me një model shumë më të shpejtë bazuar në AI.

Së pari, ne llogaritëm një bazë të dhënash të madhe të parashikimeve për një yll binar hipotetik – duke përdorur tiparet që astronomët mund të vëzhgojnë lehtësisht – ku ndryshonim pronat e yllit binar hipotetik. Flasim për qindra miliona kombinime parametrash. Pastaj, i krahasuam këto rezultate me vëzhgimet aktuale për të parë cilat përputhen më së miri. AI dhe rrjetet nervore janë të përshtatshme në mënyrë ideale për këtë detyrë.

Në një përmbledhje, rrjetet nervore janë hartime. Ato hartojnë një hyrje të njohur të caktuar në një dalje të caktuar. Në rastin tonë, ato hartojnë pronat e binarëve që kalojnë nëpër një parashikim të pritur. Rrjetet nervore imitojnë modelin e një binari, por pa pasur nevojë të marrin parasysh të gjithë kompleksitetin e modelit fizik.

Ne trajnojmë rrjetin nervor duke i treguar çdo parashikje nga baza jonë e të dhënave, së bashku me grupin e pronave që janë përdorur për ta gjeneruar atë. Pasi të jetë plotësisht i trajnuar, rrjeti nervor do të jetë në gjendje të parashikojë saktë atë që astronomët duhet të vëzhgojnë nga pronat e dhëna të një sistemi binar.

Krahasuar me disa minuta kohë ekzekutimi për modelin fizik, një rrjet nervor përdor inteligjencën artificiale për të marrë të njëjtin rezultat brenda një fraksioni të vogël të një sekonde.

Përfitimet e arritura

Një pjesë e vogël e një sekonde shkon rreth një milion herë më pak kohë ekzekutimi. Kjo ul kohën nga javë në një superkompjuter në vetëm disa minuta në një laptop të vetëm. Gjithashtu do të thotë se ne mund të analizojmë qindra mijëra sisteme binare në disa javë në një klaster kompjuterësh.

Kjo ulje kohore do të thotë se ne mund të marrim pronësitë themelore – masa yjore, rrezen, temperaturat dhe ndriçimin – për çdo yll binar që është vëzhguar ndonjëherë brenda një muaji ose dy. Sfida kryesore që mbetet është të tregojmë se rezultatet e AI-së vërtet japin të njëjtat rezultate si modeli fizik.

Ky është thelbi i artikullit të ri të ekipit tim. Në të kemi treguar se, me të vërtetë, modeli i drejtuar nga AI jep të njëjtat rezultate si modeli fizik në mbi 99% të kombinimeve të parametrave. Ky rezultat tregon se performanca e AI-së është e qëndrueshme. Hapi ynë tjetër? Të vendosim AI-në në të gjitha binarët e vëzhguar të shndërruar në diell.

Më së miri? Ndërsa kemi aplikuar këtë metodologji për binarët, parimi bazë zbatohet për çdo model fizik kompleks atje jashtë. Modele të ngjashme AI janë tashmë duke përshpejtuar shumë aplikacione reale, nga parashikimi i motit deri te analiza e tregut të aksioneve.