Swift, hier abgebildet, ist eine Zusammenarbeit zwischen dem Goddard Space Flight Center der NASA in Greenbelt, Maryland, Penn State im University Park, dem Los Alamos National Laboratory in New Mexico und Northrop Grumman Innovation Systems in Dulles. – NASA GODDARD SPACE FLIGHT CENTER/CHRIS SMITH
MADRID, 27. Mai. (EUROPA PRESS) –
Zwei Studien haben maschinelles Lernen in die Beobachtung integriert, um die Entfernung zu bestimmen die leuchtendsten und heftigsten Explosionen im Universumdie Gammastrahlen-GRBs.
GRBs setzen in nur wenigen Sekunden die gleiche Energiemenge frei, die unsere Sonne während ihrer gesamten Lebensdauer freisetzt. Da sie so hell sind, können GRBs aus mehreren Entfernungen beobachtet werden (sogar am Rande des sichtbaren Universums) und helfen Astronomen bei ihrer Suche nach den ältesten und am weitesten entfernten Sternen. Aufgrund der Einschränkungen der aktuellen Technologie verfügt jedoch nur ein kleiner Prozentsatz der bekannten GRBs über alle Beobachtungsmerkmale, die erforderlich sind, um Astronomen bei der Berechnung ihrer Entfernung zu helfen.
Teams unter der Leitung von Maria Dainotti, Professorin für Astrophysik an der University of Nevada Las Vegas und dem NAOJ (National Astronomical Observatory of Japan), kombinierten GRB-Daten vom Neil Gehrels Swift Observatory der NASA mit mehreren maschinellen Lernmodellen, um die Einschränkungen der aktuellen Beobachtungstechnologie zu überwinden Genauer gesagt, schätzen Sie die Nähe von GRBs ab, deren Entfernung unbekannt ist. Da GRBs sowohl in großer Entfernung als auch in relativ geringer Entfernung beobachtet werden können, kann die Kenntnis ihrer Entstehungsorte den Wissenschaftlern dabei helfen, zu verstehen, wie sich Sterne im Laufe der Zeit entwickeln Wie viele GRBs können in einem bestimmten Raum und in einer bestimmten Zeit auftreten?
„Diese Forschung erweitert die Grenzen sowohl der Gammastrahlenastronomie als auch des maschinellen Lernens“, sagte Dainotti. es ist eine Aussage. „Folgeforschung und Innovation werden uns helfen, noch zuverlässigere Ergebnisse zu erzielen und es uns ermöglichen, einige der drängendsten kosmologischen Fragen zu beantworten, darunter die frühesten Prozesse unseres Universums und wie es sich im Laufe der Zeit entwickelt hat.“
KI verschiebt die Grenzen der Weltraumbeobachtung. In einer Studie verwendeten Dainotti und Aditya Narendra, ein Doktorand im Abschlussjahr an der Jagiellonen-Universität in Polen, mehrere Methoden des maschinellen Lernens, um die Entfernung von GRBs, die vom Swift Ultraviolet/Optical Telescope beobachtet wurden, präzise zu messen ( UVOT) und bodengestützte Teleskope, einschließlich des Subaru-Teleskops. Die Messungen basierten ausschließlich auf anderen GRB-Eigenschaften, die keinen Bezug zur Entfernung hatten. Die Studie wurde am 23. Mai veröffentlicht Astrophysikalische Tagebuchbriefe.
„Das Ergebnis dieser Studie ist so präzise, dass wir anhand der vorhergesagten Entfernung die Anzahl der GRBs in einem bestimmten Volumen und zu einem bestimmten Zeitpunkt (Rate genannt) bestimmen können, was den tatsächlich beobachteten Schätzungen sehr nahe kommt“, sagte Narendra.
Eine weitere Studie unter der Leitung von Dainotti und internationalen Mitarbeitern hat es geschafft, die Entfernung von GRBs durch maschinelles Lernen mithilfe von Daten des Swift X-ray Telescope (XRT) der NASA zu messen. über die Blendung sogenannter langer GRBs. Es wird angenommen, dass GRBs auf unterschiedliche Weise auftreten. Lange GRBs treten auf, wenn ein massereicher Stern das Ende seines Lebens erreicht und in einer spektakulären Supernova explodiert. Eine andere Art, sogenannte kurze GRBs, entsteht, wenn die Überreste toter Sterne, wie zum Beispiel Neutronensterne, gravitativ verschmelzen und miteinander kollidieren.
SUPERLEARNER
Laut Dainotti liegt die Neuheit dieses Ansatzes darin, dass mehrere Methoden des maschinellen Lernens zusammen verwendet werden, um ihre kollektive Vorhersagekraft zu verbessern. Diese Methode namens Superlearner weist jedem Algorithmus eine Gewichtung zu, deren Werte zwischen 0 und 1 liegen, wobei jede Gewichtung der Vorhersagekraft dieser einzelnen Methode entspricht.
„Der Vorteil von Superlearner besteht darin, dass die endgültige Vorhersage immer besser abschneidet als einzelne Modelle“, sagte Dainotti. „Superlearner wird auch verwendet, um Algorithmen auszuschließen, die weniger prädiktiv sind.“
Diese Studie, die veröffentlicht wurde in Das Astrophysikalische JournalSupplement Series, schätzt zuverlässig die Entfernung von 154 langen GRBs, deren Entfernung unbekannt ist, und erhöht die Population bekannter Entfernungen zwischen diesen Burst-Typen erheblich.
Eine dritte Studie, die am 21. Februar in Astrophysical Journal Letters veröffentlicht wurde und vom Astrophysiker Vahé Petrosian von der Stanford University zusammen mit Dainotti geleitet wurde, beantwortete rätselhafte Fragen zur GRB-Bildung und nutzte Swift-Röntgendaten, um rätselhafte Fragen zu beantworten, indem sie zeigte, dass die GRB-Rate zumindest bei kleinen Mengen größer ist relative Abstände, nicht mit der Sternentstehung Schritt halten.
„Dies eröffnet die Möglichkeit, dass lange GRBs in kleinen Entfernungen nicht durch den Kollaps massereicher Sterne, sondern durch die Verschmelzung sehr dichter Objekte wie Neutronensterne erzeugt werden könnten“, sagte Petrosian.
