Cérebro

A astrofísica estelar, campo dedicado ao estudo das estrelas, depende fundamentalmente de diversas modalidades de observação, principalmente curvas de luz fotométricas e dados espectroscópicos, para inferir propriedades estelares cruciais. Embora o aprendizado de máquina (ML) tenha promovido avanços significativos na análise de modalidades individuais, a informação complementar codificada entre essas diferentes fontes de dados permaneceu amplamente inexplorada até então. Nesse contexto, um novo modelo de fundação multimodal, denominado DESA (Dual Embedding model for Stellar Astrophysics), surge para revolucionar a forma como as propriedades estelares são inferidas. Desenvolvido por Ilay Kamai, Alex M. Bronstein e Hagai B. Perets, o DESA integra curvas de luz e espectros para aprender um espaço latente unificado e fisicamente significativo para as estrelas. O modelo DESA opera treinando encoders separados e específicos para cada modalidade, utilizando um esquema híbrido supervisio...

Um novo estudo intitulado "Radiative Transfer Modeling of Stripped-Envelope Supernovae. I: A Grid for Ejecta Parameter Inference" (Modelagem de Transferência Radiativa de Supernovas de Envelope Despojado. I: Uma Grade para Inferência de Parâmetros de Ejeção) apresenta um avanço significativo na compreensão das supernovas de envelope despojado, especificamente os tipos Ib/c. O trabalho, publicado na *Astrophysical Journal Supplement Series*, volume 279, 2025, foca na criação de uma vasta grade de modelos de curvas de luz para estas explosões estelares, que são cruciais para inferir suas propriedades físicas. 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 perf...

Um estudo recente introduzido no arXiv propõe uma nova metodologia bayesiana para determinar as idades de sistemas estelares jovens próximos. O artigo, intitulado "Going Bayesian on the ages of nearby young stellar systems I. The expansion rate method", aborda a importância fundamental de definir as idades desses sistemas para validar teorias atuais sobre a formação estelar. O trabalho visa desenvolver uma versão bayesiana do método da taxa de expansão, que incorpora o conhecimento prévio sobre a idade do sistema estelar e busca resolver algumas das ressalvas da abordagem frequencista tradicional. Para isso, os pesquisadores aprimoraram um modelo hierárquico bayesiano existente com hierarquias de parâmetros adicionais, incluindo a idade do sistema. Para a idade, foram propostas distribuições a priori inspiradas em trabalhos da literatura. A validação do método foi realizada em um conjunto de simulações extensas que mimetizam as propriedades de sistemas estelares reais. ...