Reti neurali per predire la massa dei pianeti in formazione

Un articolo pubblicato sulla rivista “Astronomy and Astrophysics” mostra un esempio di utilizzo di una rete neurale e di un algoritmo di apprendimento profondo (deep learning) per ridurre i tempi per creare simulazioni della formazione di sistemi stellari ottenendo anche risultati migliori. Yann Alibert del NCCR PlanetS e dell’Università svizzera di Berna e Julia Venturini dell’International Space Science Institute (ISSI) di Berna e associata di PlanetS hanno sviluppato questo nuovo sistema che prevede la massa di un pianeta partendo dalle condizioni in cui si forma con un’eccellente accuratezza e una velocità molto più elevata dei modelli basati su equazioni differenziali.

Il problema sta nei modelli informatici sviluppati nel corso degli anni dai ricercatori che stanno studiando la formazione dei pianeti per cercare di simularli in modo fedele. A Berna esiste dal 2014 il National Centre of Competence in Research (NCCR) PlanetS, che mette assieme ricercatori di vari enti svizzeri come le università di Berna, Ginevra e Zurigo assieme agli ETH di Zurigo e di Losanna per fornire un programma di ricerca interdisciplinare dedicato allo studio dell’origine, dell’evoluzione e della definizione delle caratteristiche dei pianeti.

Tra le attività che hanno avuto un forte sviluppo al NCCR PlanetS c’è quella relativa ai modelli informatici che simulano lo sviluppo di sistemi stellari. I supercomputer diventano sempre più potenti eppure le equazioni differenziali da risolvere per calcolare un dato fondamentale come la massa dell’involucro gassoso all’origine di un pianeta richiedono enormi risorse hardware per ottenere risultati che possono essere ancora imprecisi. Per cercare di migliorare la situazione, Yann Alibert, uno scienziato del centro, e Julia Venturini, che collabora con il centro, hanno sviluppato un approccio diverso, che usa sistemi le cui applicazioni sono in notevole crescita come le reti neurali e l’apprendimento profondo.

L’immagine (cortesia NCCR PlanetS, tutti i diritti riservati) mostra una schermata che rappresenta un momento dei prodotti di un algoritmo di tipo T-distributed Stochastic Neighbor Embedding (T-SNE) applicato alla simulazione dello sviluppo di pianeti. La singola immagine dice poco o nulla ma si tratta di un momento di funzionamento di un algoritmo basato su un vasto database creato calcolando milioni di possibili strutture interne per i pianeta su un’architettura della rete neurale creata appositamente e successivamente addestrata.

I risultati mostrano che l’approccio basato sull’apprendimento profondo è migliore di quello usato in precedenza perché dopo la fase di addestramento il sistema è più veloce e più preciso. Potenzialmente è un bel salto in avanti nella simulazione dello sviluppo di sistemi stellari dato che può aumentare la facilità per i ricercatori di studiare i processi di sviluppo dei pianeti e migliorare i relativi modelli.

Leave a Reply

Your email address will not be published. Required fields are marked *