30,1 тыс подписчиков
Исследователи с химического факультета МГУ научились предсказывать параметры атомов для расчёта состава и свойств звёзд при помощи машинного обучения.
Химический состав — один из фундаментальных параметров звезды, который нужно знать для решения общенаучных проблем, таких как происхождение и развитие Вселенной, эволюция звёзд, происхождение химических элементов. Разумеется, непосредственно исследовать химический состав звёзд невозможно. Но его можно рассчитать на основе спектров излучения. Астрофизики используют для расчётов такие фундаментальные параметры, как вероятности перехода электронов между уровнями энергии в атоме и то, как положение и форма линий в спектре изменяются под воздействием заряженных частиц звёздной плазмы. Такие изменения описываются величинами под названием «ударные штарковские параметры».
Штарковские параметры — численные коэффициенты, указывающие, как спектральные линии изменяются под действием эффекта Штарка, то есть сдвига и уширения спектральных линий атомов под воздействием внешнего электрического поля. В звёздах это поля ионов и электронов в плазме. А ударный эффект Штарка рассчитывается в ударном приближении, то есть когда предполагается, что возмущающие частицы быстро пролетают мимо возмущаемого атома по прямолинейным траекториям на определённом расстоянии.
В спектральных базах данных собраны данные о миллионах вероятностей переходов. А вот штарковские параметры известны только для 10–20 тысяч линий. Это связано с тем, что существующие теоретические и экспериментальные способы определения этих параметров трудозатратны и имеют множество принципиальных ограничений, не позволяющих определить параметры многих линий. В свою очередь это значительно снижает возможности по определению состава звёзд и других плазменных источников излучения.
Научные сотрудники кафедры лазерной химии химического факультета МГУ для решения проблемы предложили использовать методы машинного обучения. Они помогут предсказывать штарковские параметры любых переходов, для которых известны конфигурации верхнего и нижнего уровня. Результаты исследования опубликованы в старейшем астрономическом журнале Monthly Notices of the Royal Astronomical Society (MNRAS). Исследование проведено при поддержке Некоммерческого фонда развития науки и образования «Интеллект».
Аспирант химического факультета МГУ Александр Закускин и кандидат химических наук, доцент Тимур Лабутин использовали регрессионные модели на основе различных алгоритмов машинного обучения, в том числе нейронных сетей. На основании известных экспериментальных данных по штарковским параметрам, обладающих наивысшей точностью, была создана обучающая выборка данных, которую применяли для тренировки различных типов нейросетевых моделей. Особое внимание исследователи уделяли оценке способности модели предсказывать штарковские параметры для линий химических элементов, которые она «не видела» на стадии обучения, чтобы была возможность охватить максимально широкий круг элементов и их переходов.
Для повышения точности предсказаний учёные использовали масштабирование и аугментацию — приращение, увеличение выборки данных. Ещё одним важным критерием оценки моделей была их способность следовать зависимости штарковских параметров от температуры.
Как рассказал Тимур Лабутин, «в результате работы была обучена модель для предсказания параметров на основе алгоритма XGBoost, которая позволяет предсказывать штарковские параметры с точностью, близкой к экспериментальной, для широкого круга элементов, а также обеспечивает следование предсказанных параметров температурной зависимости».
Александр Закускин пояснил, что созданная модель StarkML размещена для свободного использования на платформе GitHub, где для получения необходимых параметров достаточно подготовить файл с таблицей интересующих переходов. «В настоящее время готовится онлайн-версия для работы с этой моделью с помощью веб-интерфейса», — добавил Александр.
Полученные результаты могут использоваться в астрофизике при расчёте состава и свойств звёзд, метеоров и иных плазменных источников излучения
3 минуты
4 декабря 2023