Ученые МГУ с помощью машин научились предсказывать параметры атомов для расчета состава звезд

Ученые кафедры лазерной химии химического факультета МГУ с помощью машинного обучения научились предсказывать параметры атомов для расчета состава и свойств звезд. Об этом сообщили в пресс-службе вуза.

В астрофизике состав звезд рассчитывают, используя такие фундаментальные параметры спектральных линий как вероятности переходов и их ударные штарковские параметры. И если к настоящему времени в спектральных базах данных собраны данные о миллионах вероятностей переходов, то штарковские параметры известны лишь для 10-20 тысяч линий, что значительно снижает возможности по определению состава звезд и других плазменных источников. Это, прежде всего, связано с тем, что существующие теоретические и экспериментальные способы определения штарковских параметров трудозатратны и имеют множество принципиальных ограничений, не позволяющих определить параметры многих линий. Результаты исследования представлены в старейшем астрономическом журнале Monthly Notices of the Royal Astronomical Society (MNRAS).

Аспирант химического факультета МГУ Александр Закускин под научным руководством кандидата химических наук, доцента Тимура Лабутина использовал регрессионные модели на основе различных алгоритмов машинного обучения, в том числе нейронных сетей. Исследование провели при поддержке Некоммерческого фонда развития науки и образования «Интеллект».

«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», — отметил Тимур Лабутин.

На основании известных экспериментальных данных по штарковским параметрам, обладающих наивысшей точностью, был создан набор данных для обучения всех моделей машинного обучения. Акцент был сделан на оценку 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 ученые использовали масштабирование и аугментацию данных. Еще одним важным критерием оценки моделей была их способность следовать зависимости штарковских параметров от температуры.

«Созданная модель StarkML размещена для свободного использования на облачной платформе GitHub, где для получения необходимых параметров достаточно подготовить файл с табличными параметрами интересующих переходов. В настоящее время готовится онлайн-версия для работы с этой моделью с помощью веб-интерфейса», — резюмировал Александр Закускин.

Таким образом, полученные результаты могут использоваться в астрофизике при расчете состава и свойств звезд, метеоров и иных плазменных источников, в космических миссиях, включающих работы с лазерно-искровыми эмиссионными спектрометрами для определения состава проб без образцов сравнения. Помимо этого, эти данные нужны для диагностики плазмы в самых разнообразных плазменных источниках как лабораторных, так и промышленных.