Une nouvelle façon de simuler les supernovae pourrait faire la lumière sur les origines de notre univers. Les supernovae sont des étoiles explosives qui jouent un rôle crucial dans la formation et l’évolution des galaxies. Cependant, modéliser ces phénomènes avec précision et efficacité constitue un défi majeur. Une équipe comprenant des chercheurs de l’Université de Tokyo a utilisé pour la première fois l’apprentissage profond pour améliorer les simulations de supernova. Cette avancée accélère les simulations essentielles à la compréhension de la formation et de l’évolution des galaxies ainsi que de l’évolution chimique qui a conduit à la vie.
Lorsque vous entendez parler d'apprentissage profond, vous pensez probablement aux dernières applications apparues cette semaine, capables de traiter intelligemment des images ou de générer du texte de type humain. L’apprentissage profond est peut-être responsable d’une partie du travail en coulisse, mais il est également utilisé dans un large éventail de domaines de recherche différents. Récemment, lors d’un événement technologique appelé hackathon, une équipe a appliqué l’apprentissage profond aux prévisions météorologiques. Cela s'est avéré assez efficace, ce qui a également suscité la réflexion de Keiya Hakashima, doctorant au Département d'astronomie de l'Université de Tokyo.
L'image ci-dessus montre une vaste zone de la galaxie simulée. La résolution temporelle est très faible, chaque « étape » de la simulation étant d'environ 100 000 ans. L'image ci-dessous montre une zone spécifique affectée par l'explosion de la supernova, avec une résolution temporelle plus élevée, chaque étape prenant moins de 10 000 ans. Ces domaines, combinés à des simulations plus générales, améliorent la précision et l’efficacité globales de la simulation. Source : 2023Hirashima et al., NASA/JPL-Caltech/ESO/R.Hunt/Hubble/L.CalçadaCC-BY-ND
"La météo est un phénomène très complexe, mais en fin de compte, cela se résume à des calculs de dynamique des fluides", a déclaré Hirashima. "Je me demandais donc si nous pouvions modifier le modèle d'apprentissage profond utilisé pour les prévisions météorologiques et l'appliquer à un autre système fluide, mais à une échelle beaucoup plus grande et auquel nous n'avons pas d'accès direct : mon domaine de recherche : les explosions de supernova."
Une supernova se produit lorsqu’une étoile de masse appropriée brûle la majeure partie de son carburant et s’effondre dans une énorme explosion. Les supernovae sont si massives qu’elles peuvent affecter et affectent de vastes zones de la galaxie dans laquelle elles résident. Si une supernova s’était produite il y a des centaines d’années à quelques centaines d’années-lumière de la Terre, vous ne liriez probablement pas cet article aujourd’hui. Ainsi, plus nous en savons sur les supernovae, mieux nous pouvons comprendre pourquoi les galaxies deviennent telles qu’elles sont.
Les prédictions de la méthode de simulation actuelle lors d'une simulation de supernova sont présentées (à gauche). (À droite) montre les résultats de prédiction du 3D-MIM, qui semblent très proches des principales méthodes actuelles, mais avec des temps d'exécution beaucoup plus courts, économisant ainsi du temps, de l'énergie et des coûts de temps de calcul. Source de l’image : 2023Hirashimaetal.
"Le problème est le temps qu'il faut pour calculer la manière dont une supernova explose. Actuellement, de nombreux modèles de galaxies à long terme simplifient la manière dont une supernova explose en une sphère parfaite car cela est relativement facile à calculer", a déclaré Hirashima. "En réalité, cependant, ils sont très asymétriques. Certaines zones de l'enveloppe de matière qui constituent les limites d'une explosion sont plus complexes que d'autres. Nous avons appliqué l'apprentissage profond pour aider à déterminer quelles parties d'une explosion nécessitent plus ou moins d'attention lors des simulations afin de garantir une précision optimale. "
Bien entendu, le deep learning nécessite une formation approfondie. Hirashima et son équipe ont dû exécuter des centaines de simulations, consommant des millions d'heures de temps informatique (les superordinateurs étant hautement parallèles, ce temps serait donc réparti entre les milliers d'éléments de calcul requis). Mais leurs résultats ont prouvé que le jeu en valait la peine.
Ils espèrent désormais appliquer leur méthode à d’autres domaines de l’astrophysique ; par exemple, l'évolution des galaxies est également affectée par les grandes régions de formation d'étoiles. 3D-MIM simule le processus de mort des étoiles et pourrait bientôt être utilisé pour simuler le processus de naissance des étoiles. Il pourrait même être utilisé en dehors de l’astrophysique dans d’autres domaines nécessitant une résolution spatiale et temporelle élevée, tels que les simulations climatiques et sismiques.
Référence Keiya Hirashima, Kana Moriwaki, Michiko S Fujii, Yutaka Hirai, Takayuki R Saitoh et Junichiro Makino, « Prédiction spatio-temporelle tridimensionnelle de l'expansion de la coquille de supernova à l'aide de l'apprentissage profond pour les simulations de galaxies à haute résolution », 18 septembre 2023, Avis mensuels de la Royal Astronomical Society (Avis mensuels de la Royal Astronomical Society).
DOI:10.1093/mnras/stad2864
Source compilée : ScitechDaily