Научные достижения химического факультета
24.11.2023
Ученые МГУ с помощью машинного обучения
научились предсказывать параметры атомов
для расчета состава и свойств
звезд
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. Научные
сотрудники кафедры лазерной химии химического факультета МГУ предложили
использовать методы машинного обучения для предсказания штарковских параметров
любых переходов, для которых известны конфигурации верхнего и нижнего уровня.
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
проведено при поддержке Некоммерческого фонда развития науки и образования
"Интеллект".
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.
"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.
"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.
Ссылка на статью:
Aleksandr S Zakuskin, Timur A Labutin
StarkML: application of machine learning to overcome lack of data on electron-impact broadening parameters
Monthly Notices of the Royal Astronomical Society, Volume 527, Issue 2, January 2024, Pages 3139–3145
https://doi.org/10.1093/mnras/stad3387
Фото: собственное фото авторов (Александр Закускин, Тимур Лабутин)
