Para descobrir como os planetas se formam, astrofísicos executam cálculos complicados e demorados em computador. Os membros do NCCR PlanetS da Universidade de Berna desenvolveram agora uma abordagem totalmente nova para acelerar dramaticamente esse processo. Eles usam aprendizado profundo baseado em redes neurais artificiais, um método bem conhecido no reconhecimento de imagens.

Os planetas crescem em discos estelares, acreção de material sólido e gás. Se eles se tornam corpos como a Terra ou Júpiter depende de diferentes fatores, como as propriedades dos sólidos, a pressão e temperatura no disco e o material já acumulado. Com modelos de computador, os astrofísicos tentam simular o processo de crescimento e determinar a estrutura planetária interna. Para determinadas condições de contorno, eles calculam as massas do envelope de gás de um planeta. "Isso requer a resolução de um conjunto de equações diferenciais, "explica Yann Alibert, oficial de ciências do NCCR PlanetS da Universidade de Berna:"Resolver essas equações tem sido uma especialidade dos astrofísicos aqui em Berna nos últimos 15 anos, mas é um processo complicado e demorado. "

Para acelerar os cálculos, Yann Alibert e a associada da PlanetS, Julia Venturini, do International Space Science Institute (ISSI) em Berna, adotaram um método que já capturou muitos outros campos, incluindo o desenvolvimento de smartphones:aprendizado profundo. Isto é, por exemplo, usado para reconhecimento de rosto e imagem. Mas esse ramo da inteligência artificial e do aprendizado de máquina também aprimorou a tradução automática de idiomas e é crucial para carros autônomos. "Há um grande exagero também na astronomia, "diz Alibert." O aprendizado de máquina já foi usado para analisar observações, mas que eu saiba, somos os primeiros a usar o aprendizado profundo para esse fim. "Alibert e Venturini publicam seus resultados na revista Astronomia e Astrofísica ( A&A )

Banco de dados de milhões de planetas

Primeiro, os pesquisadores tiveram que criar um banco de dados. Eles calcularam milhões de possíveis estruturas internas de planetas. "Levamos três semanas para calcular todos esses casos de teste usando um código desenvolvido por Julia Venturini durante seu Ph.D. em Berna, "diz Alibert. O próximo passo foi decidir a arquitetura de uma rede neural artificial, um conjunto de algoritmos que passa os dados de entrada por meio de operações matemáticas e tem a capacidade de aprender sem ser explicitamente programado. "Então, treinamos esta rede usando nosso gigantesco banco de dados, "diz o astrofísico." Agora, nossa rede é capaz de prever a massa de um planeta sendo formado sob certas condições com uma precisão muito boa e tremendamente mais rápido do que resolver as equações diferenciais. "

O processo de aprendizado profundo é muito mais preciso do que os métodos desenvolvidos anteriormente para substituir a solução de equações diferenciais por algumas fórmulas analíticas. Essas fórmulas analíticas podem prever que um planeta deve crescer até a massa de Júpiter, enquanto na realidade não poderia ter mais massa do que Netuno. "Mostramos que nossas redes neurais profundas fornecem uma aproximação muito boa no nível de porcentagens, "resume Alibert. Os pesquisadores fornecem seus resultados na plataforma de desenvolvimento de software GitHub, para que os colegas que trabalham na formação de planetas em todo o mundo se beneficiem deles.