Machine learning prediction of Gold Production in supernova

Abstract

This topic dives into the cutting-edge application of artificial intelligence (AI), specifically Convolutional Neural Networks (CNNs), to analyze astrophysical spectra and detect heavy elements like gold in supernova remnants—super exciting stuff! It involves developing and training a CNN model using a synthetic dataset sourced from Kaggle, derived from the study "Artificial Intelligence Assisted Inversion of Synthetic Type Ia Supernova Spectra," and a newly constructed database compiled from open-source astronomical observations. This thesis kicks off with a brief intro to AI, machine learning (ML), and deep learning (DL), and highlights how ML can tackle supernova spectral analysis. It also walks through using Python, with libraries like TensorFlow/Keras, and Google Colab’s cloud-based, hardware-accelerated environment to build and train the CNN model. The trained CNN model predicts the presence of r-process–dominated elements, with training based on the Kaggle dataset and the newly created database. The results are promising, achieving an accuracy of 83.33% and a recall of 100% for r-process events, though performance varies due to data quality and hardware limitations. This work aims to enhance the CNN’s ability to identify heavy elements in supernova spectra, offering insights into nucleosynthesis while addressing challenges like data preprocessing and model optimization—setting the stage for future astrophysical discoveries ==================================================================================================== Ce sujet explore l’application moderne de l’intelligence artificielle (IA), en particulier les réseaux de neurones convolutifs (CNN), pour analyser les spectres astrophysiques et détecter des éléments lourds comme l’or dans les vestiges de supernovae—vraiment passionnant! Il s’agit de développer et d’entraîner un modèle CNN en utilisant un ensemble de données synthétiques provenant de Kaggle, dérivé de l’étude "Artificial Intelligence Assisted Inversion of Synthetic Type Ia Supernova Spectra," ainsi qu’une nouvelle base de données construite à partir d’observations astronomiques open-source. Cette thèse commence par une brève introduction à l’IA, l’apprentissage automatique (ML) et l’apprentissage profond (DL), et montre comment le ML peut aborder l’analyse des spectres de supernovae. Elle explique également l’utilisation de Python, avec des bibliothèques comme TensorFlow/Keras, et l’environnement cloud accéléré par le matériel de Google Colab pour construire et entraîner le modèle CNN. Le modèle CNN entraîné prédit la présence d’éléments dominés par le processus r, avec un entraînement basé sur les données Kaggle et la nouvelle base de données créée. Les résultats sont prometteurs, avec une précision de 83,33 % et un rappel de 100 % pour les événements r-process, bien que les performances varient en raison de la qualité des données et des limites matérielles.Ce travail vise à améliorer la capacité du CNN à identifier les éléments lourds dans les spectres de supernovae, offrant des perspectives sur la nucléosynthèse tout en traitant des défis comme le prétraitement des données et l’optimisation du modèle—ouvrant la voie à de futures découvertes astrophysiques.