21.06.2024
Подписывайтесь на Telegram-канал по ссылке

Машинное обучение поможет рассчитывать свойства звёзд

StarkML broadening parameters

В астрофизике состав звёзд 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 звёзд 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. Научные сотрудники МГУ предложили использовать методы машинного обучения для предсказания штарковских параметров любых переходов, для которых известны конфигурации верхнего и нижнего уровня. Результаты исследования представлены в астрономическом журнале MNRAS.

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 учёные использовали масштабирование и аугментацию данных. Ещё одним важным критерием оценки моделей была их способность следовать зависимости штарковских параметров от температуры.

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. Созданная модель StarkML размещена для свободного использования на 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.

Таким образом, полученные результаты могут использоваться в астрофизике при расчёте состава и свойств звёзд, 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.