Forscher der Universität Coimbra haben in Zusammenarbeit mit Wissenschaftlern aus China und Indien einen bedeutenden Durchbruch beim Verständnis von Neutronensternen durch die Anwendung von Techniken des maschinellen Lernens erzielt. Neutronensterne, die zu den dichtesten Objekten im Universum gehören, stellen ein Rätsel hinsichtlich ihrer tatsächlichen Zusammensetzung dar.
Das Team verwendete symbolische Regression, eine Methode des maschinellen Lernens, um algebraische Beziehungen zwischen der maximalen Masse eines Neutronensterns und seiner Zustandsgleichung zu identifizieren. Dieser innovative Ansatz reduziert die Rechenzeit, die zur Identifizierung von Modellen benötigt wird, die mit astronomischen Beobachtungen übereinstimmen, erheblich und beschleunigt den Prozess um den Faktor Sieben.
Wissenschaftler hoffen, fortschrittliche Rechentechniken zu nutzen, um die Zustandsgleichung dichter Materie direkt aus den beobachtbaren Eigenschaften von Neutronensternen zu entschlüsseln. Dies könnte die Eigenschaften baryonischer Materie bei extremen Dichten aufdecken und bestimmen, wann Quarks aus Nukleonen entkoppelt werden. Das Verständnis der Zustandsgleichung von Kernmaterie unter diesen extremen Bedingungen ist entscheidend für die Interpretation von Beobachtungen von Neutronensternen, Supernova-Explosionen und Neutronensternverschmelzungen.