Speaker
Description
O estudo de objetos compactos, como estrelas de nêutrons e de quarks, exige a compreensão da matéria sob condições extremas de densidade e pressão, regidas pela Equação de Estado (EoS) e pelas equações de equilíbrio hidrostático de Tolman-Oppenheimer-Volkoff (TOV). O processo direto é bem definido matematicamente: a equação de estado aplicada ao processo de integração numérica das equações TOV estabelece a relação entre a pressão e a densidade de energia no interior estelar, como resultado é obtido um diagrama Massa-Raio (M-R) específico para o modelo apresentado. O presente estudo investiga a aplicação de métodos computacionais baseados em Machine Learning para a resolução do processo inverso na astrofísica de objetos compactos: através de dados observacionais de massa e raio é possível obter a EoS particular que descreve e rege sua composição estrutural. Dado que a inversão analítica do sistema TOV para deduzir a microfísica a partir das curvas observacionais de Massa-Raio é matematicamente inviável, esta pesquisa visa desenvolver uma metodologia computacional unificada para atuar como aproximador universal dessa função inversa desconhecida. A metodologia fundamenta-se na geração de milhares de dados sintéticos derivados de 21 modelos físicos clássicos da literatura, abrangendo matéria hadrônica e de quarks (como APR, BGP, Bombaci-Logoteta, Douchin-Haensel, MIT Bag Model, Walecka, WFF, HHJ, HLPS, MDI, NLD e Skyrme), seguida da injeção de ruído artificial para simular incertezas estatísticas das medições astronômicas reais. Para garantir a coerência física com teorias e observações recentes, aplica-se um filtro de validação prévia descartando funções inconsistentes geradas artificialmente. Esse conjunto robusto de dados alimenta o treinamento de algoritmos de Machine Learning (aprendizado de máquina) e Deep Learning (Decision Trees, Random Forest, Gradient Boosting, XGBoost e Redes Neurais Profundas), utilizando as curvas M-R ruidosas como entrada e as variáveis termodinâmicas originais como alvo preditivo. A análise dos resultados parciais revela que a arquitetura computacional é funcional e capaz de mapear a estrutura macroscópica da estrela de volta à rigidez termodinâmica da matéria. O comportamento observado valida a metodologia e conecta a astrofísica à ciência de dados, constituindo um estágio primário para a inclusão de novas parametrizações e o aprimoramento da predição em etapas futuras.
| CPF | 11375720945 |
|---|