Onderzoekers van de Universiteit van Coimbra hebben, in samenwerking met wetenschappers uit China en India, een belangrijke doorbraak bereikt in het begrijpen van neutronensterren door het toepassen van machine learning technieken. Neutronensterren, een van de meest dichte objecten in het heelal, vormen een raadsel met betrekking tot hun werkelijke samenstelling.
Het team gebruikte symbolische regressie, een machine learning methode, om algebraïsche relaties te identificeren tussen de maximale massa van een neutronenster en haar toestandsvergelijking. Deze innovatieve aanpak vermindert de rekentijd die nodig is om modellen te identificeren die overeenkomen met astronomische waarnemingen aanzienlijk, waardoor het proces zeven keer sneller verloopt.
Wetenschappers hopen geavanceerde rekentechnieken te gebruiken om de toestandsvergelijking van dichte materie rechtstreeks te decoderen uit waarneembare gegevens van neutronensterren. Dit zou de eigenschappen van baryonische materie bij extreme dichtheden kunnen onthullen en bepalen wanneer quarks zich losmaken van nucleonen. Het begrijpen van de toestandsvergelijking van nucleaire materie onder deze extreme omstandigheden is cruciaal voor het interpreteren van waarnemingen van neutronensterren, supernova-explosies en neutronensterfusies.