PD Dr. Yann Alibert, NCCR PlanetS. Crediti: University of Bern / Adrian Moser
I pianeti si formano in dischi stellari, accrescendo materiale solido e gas. Il fatto che diventino corpi come la Terra o come Giove dipende da diversi fattori, come le proprietà dei solidi, la pressione e la temperatura nel disco e il materiale già accumulato. Gli astrofisici, servendosi di modelli computerizzati, stanno cercando di simulare il processo di crescita del pianeta e determinare la sua struttura interna. Per determinare le condizioni al contorno, devono calcolare la massa dell’involucro di gas da cui si origina il pianeta. «Ciò richiede la risoluzione di una serie di equazioni differenziali», spiega Yann Alibert, responsabile scientifico del Nccr PlanetS presso l’Università di Berna. «Negli ultimi 15 anni, risolvere queste equazioni è diventata la specialità degli astrofisici qui a Berna, ma è un processo complicato e molto dispendioso in termini di tempo».
Per accelerare i calcoli, Yann Alibert e PlanetS hanno coinvolto Julia Venturini dell’International Space Science Institute (Issi) a Berna, e adottato un metodo che è già protagonista in molti altri campi tra cui l’onnipresente smartphone: il cosiddetto apprendimento profondo o deep learning. Ad esempio, il deep learning viene comunemente utilizzato per il riconoscimento facciale e delle immagini. Questo ramo dell’intelligenza artificiale e dell’apprendimento automatico (in inglese machine learning) ha notevolmente migliorato la traduzione automatica della lingua e sarà cruciale per le auto a guida autonoma. «C’è un grande clamore anche nell’astronomia», dice Alibert. «L’apprendimento automatico è già stato utilizzato per analizzare le osservazioni, ma per quanto ne so siamo i primi ad utilizzare il deep learning per un tale scopo».
Julia Venturini, Nccr PlanetS. Crediti: Nccr PlanetS
Innanzitutto, i ricercatori hanno dovuto creare un database, calcolando milioni di possibili strutture interne dei pianeti. «Ci sono volute tre settimane per calcolare tutti questi casi utilizzando un codice sviluppato da Julia Venturini durante il suo dottorato di ricerca a Berna», dice Alibert.
Il passo successivo è stato quello di decidere l’architettura della rete neurale artificiale, ossia un insieme di algoritmi che processano i dati di input attraverso operazioni matematiche e conferiscono alla rete neurale la capacità di apprendere senza essere programmata esplicitamente. «Poi, abbiamo addestrato questa rete utilizzando il nostro gigantesco database», spiega l’astrofisico. «Ora la nostra rete è in grado di prevedere la massa di un pianeta che si forma in determinate condizioni con un’accuratezza molto buona e in modo estremamente più veloce rispetto alla risoluzione delle equazioni differenziali».
Il processo di deep learning è molto più preciso dei metodi sviluppati precedentemente per sostituire la soluzione delle equazioni differenziali con alcune formule analitiche. Infatti, queste formule analitiche potrebbero prevedere che un pianeta cresca fino ad avere la massa di Giove, mentre in realtà non potrebbe avere più massa di quanta ne ha Nettuno.
Lo studio è stato pubblicato sulla rivista Astronomy and Astrophysics e gli autori hanno reso disponibili i loro risultati sulla piattaforma di sviluppo software GitHub, in modo che i colleghi di tutto il mondo che lavorano alla formazione dei pianeti ne possano trarre vantaggio.
Per saperne di più:
- Leggi su Astronomy and Astrophysics l’articolo “Using Deep Neural Networks to compute the mass of forming planets” di Yann Alibert e Julia Venturini