Maroc - INSURGENTEPRESS.COM.MX - A La Une - 17/Jun 12:17

Utilizan Inteligencia Artificial para entender formación de supernovas

Se han propuesto múltiples mecanismos de explosión para explicar las supernovas de tipo Ia (SNe Ia). También se han desarrollado herramientas de modelado empírico que permiten un modelado rápido y personalizado de SNe individuales y comparaciones directas entre observaciones y predicciones de modelos de explosión. Estas herramientas han proporcionado información útil, pero la naturaleza subjetiva con la que se realiza el modelado empírico dificulta obtener restricciones sólidas sobre la física de explosiones o ampliar los estudios a grandes poblaciones de objetos. Por lo tanto, las herramientas aceleradas de aprendizaje automático han comenzado a ganar terreno. En este artículo, presentamos Riddler, un marco para el ajuste automatizado de secuencias espectrales SNe Ia hasta poco después del máximo de luz. Entrenamos una serie de redes neuronales en perfiles de eyección realistas predichos por los modelos de explosión W7 y N100 para emular simulaciones completas de transferencia radiativa y aplicamos muestreo anidado para determinar los parámetros del modelo que mejor se ajustan para múltiples espectros de un SN determinado simultáneamente. Mostramos que Riddler es capaz de recuperar con precisión los parámetros de los espectros de entrada y usarlos para ajustar observaciones de dos SNe Ia bien estudiados. También investigamos el impacto de diferentes esquemas de ponderación al realizar un ajuste espectral cuantitativo y mostramos que los modelos y parámetros de mejor ajuste dependen en gran medida de los esquemas de ponderación y los antecedentes asumidos. A medida que las muestras espectroscópicas de SNe Ia continúen creciendo, las herramientas de ajuste espectral automatizado, como Riddler, serán cada vez más importantes para maximizar las limitaciones físicas que se pueden obtener de manera cuantitativa y consistente.