Modelagem de Transferência Radiativa para Supernovas de Envelope Despojado: Uma Grade para Inferência de Parâmetros
Os pesquisadores S. Karthik Yadavalli, V. Ashley Villar, Abigail Polin, S. E. Woosley, Maria R. Drout e Miranda Pikus desenvolveram um conjunto de 1.800 modelos de curvas de luz de supernovas tipo Ib/c em múltiplos comprimentos de onda. Estes modelos foram gerados usando o código de transporte de radiação Sedona, variando sistematicamente a distribuição de massa, o perfil de velocidade e os perfis de abundância dos ejetos de estrelas progenitoras de hélio.
Para construir uma grade flexível e fisicamente informada, o estudo emprega autoencoders, uma classe de redes neurais, para construir uma representação compacta dos perfis de ejeção derivados de modelos de evolução estelar. Esta abordagem de aprendizado de máquina é fundamental para reduzir a dimensionalidade dos dados e garantir que os perfis de ejeção sejam fisicamente consistentes.
A utilidade da grade de modelos é demonstrada pela sua capacidade de gerar curvas de luz simuladas que correspondem a supernovas reais observadas, como SN 1994I, SN 2007gr e iPTF13bvn. Isso valida a capacidade do modelo em reproduzir características observacionais e sugere seu potencial para inferência de parâmetros de ejeção a partir de futuras observações de supernovas. A pesquisa contribui para os campos da Astrofísica de Altas Energias, Astrofísica Solar e Estelar, Inteligência Artificial e Aprendizado de Máquina.