IA e os Problemas Difíceis do Mundo · Astronomia e espaço · arXiv · 2026-10-22
ML na turbulência astrofísica I: prevendo núcleos pré-estelares em nuvens moleculares magnetizadas usando eXtreme Gradient Boosting
Título original: ML in Astrophysical Turbulence I: Predicting Prestellar Cores in Magnetized Molecular Clouds using eXtreme Gradient Boosting
Em nuvens moleculares gigantes, onde a turbulência supersônica e os campos magnéticos tornam difícil prever quais parcelas de gás colapsam em núcleos de formação estelar, os autores apresentam um framework XGBoost que prevê as trajetórias 3D e o destino de colapso gravitacional do gás pré-estelar, treinado com cerca de 2.1 milhões de partículas traçadoras provenientes de simulações MHD turbulentas autogravitantes. O modelo prevê a evolução espacial 3D ao longo de 0.25 tempos de queda livre (cerca de 0.31 Myr) com R² > 0.99 e classifica a suscetibilidade dos núcleos com AUC 0.975, enquanto a análise SHAP mostra que a densidade local, a energia cinética e a magnitude do campo magnético dominam, e o modelo rederiva um limiar de colapso não linear acentuado em log₁₀ρ ≈ 0.8, acima do qual os campos magnéticos amplificam as previsões de colapso. O estudo também mostra que os modelos de ML ponto a ponto, embora fortes na advecção cinemática, carecem matematicamente do contexto espacial necessário para avaliar os operadores diferenciais locais que fisicamente detêm o colapso.