Mathematiker und Astrophysiker erforschen seit Jahrzehnten die Eigenschaften solcher Galaxie-Modelle, wobei viele Fragen noch immer offen sind. Als Hilfsmittel zur Klärung dieser Fragen haben Straub und Wolfschmidt ein tiefes neuronales Netz implementiert, was einen komplett neuartigen Ansatz in diesem Forschungsbereich darstellt. Neuronale Netzwerke sind leistungsstarke Rechenmodelle, deren Struktur von der des menschlichen Gehirns inspiriert ist. Sie werden im Bereich der künstlichen Intelligenz genutzt, um komplexe Strukturen in großen Datenmengen zu erkennen. „Das neuronale Netz kann vorhersagen, welche Modelle von Galaxien in der Realität existieren können und welche nicht“, sagt Dr. Sebastian Wolfschmidt, Wissenschaftlicher Mitarbeiter am Lehrstuhl Mathematik VI. „Das neuronale Netz liefert dabei eine bedeutend schnellere Vorhersage als die in der Vergangenheit verwendeten numerischen Simulationen. So lassen sich astrophysikalische Hypothesen, die über die vergangenen Jahrzehnte aufgestellt wurden, innerhalb weniger Sekunden verifizieren oder falsifizieren.“
Ihre Erkenntnisse haben Wolfschmidt und Straub nun in der Fachzeitschrift „Classical and Quantum Gravity“ vorgestellt. „Wir befassen uns seit 2019 am Lehrstuhl Mathematik VI in der Arbeitsgruppe Prof. Dr. Gerhard Rein mit diesen Fragestellungen. Nach verschiedensten analytischen und numerischen Untersuchungen haben wir vor ungefähr einem Jahr erkannt, dass der Einsatz von maschinellem Lernen für einige unserer Probleme besonders hilfreich sein kann. Seitdem haben wir das beschriebene tiefe neurale Netz entwickelt, und haben auch bereits Pläne für weitere Einsatzmöglichkeiten ähnlicher Methoden“, sagt Straub.
Die Berechnungen der Bayreuther Mathematiker wurden vom Supercomputer des „Keylab HPC“ an der Universität Bayreuth durchgeführt und das Projekt entwickelte sich aus einer Zusammenarbeit mit dem Lehrstuhl für Angewandte Informatik II - Parallele und verteilte Systeme.