Adskillelse af gammastråleudbrud

Ved at anvende en maskinlæringsalgoritme, forskere ved Niels Bohr Instituttet, Københavns Universitet, har udviklet en metode til at klassificere alle gammastråleudbrud (GRB'er), hurtige højenergiske eksplosioner i fjerne galakser, uden at skulle finde en efterglød - som GRB'er i øjeblikket er kategoriseret efter. Dette gennembrud, initieret af førsteårs B.Sc. studerende, kan vise sig at være nøglen til endelig at opdage oprindelsen til disse mystiske udbrud. Resultatet er nu offentliggjort i Astrofysiske tidsskriftsbreve .

Lige siden gamma-ray bursts (GRB'er) ved et uheld blev opfanget af koldkrigssatellitter i 70'erne, oprindelsen af ​​disse hurtige udbrud har været et vigtigt puslespil. Selvom mange astronomer er enige om, at GRB'er kan opdeles i kortere (typisk mindre end 1 sekund) og længere (op til et par minutter) udbrud, de to grupper overlapper hinanden. Man har troet, at længere udbrud kan være forbundet med sammenbrud af massive stjerner, mens kortere udbrud i stedet kan være forårsaget af sammensmeltningen af ​​neutronstjerner. Imidlertid, uden evnen til at adskille de to grupper og udpege deres egenskaber, det har været umuligt at teste disse ideer.

Indtil nu, det har kun været muligt at bestemme typen af ​​en GRB omkring 1 % af tiden, når et teleskop var i stand til at pege på eksplosionsstedet hurtigt nok til at opfange resterende lys, kaldet en efterglød. Dette har været så afgørende et skridt, at astronomer har udviklet verdensomspændende netværk, der er i stand til at afbryde andet arbejde og omstille store teleskoper inden for få minutter efter opdagelsen af ​​et nyt udbrud. En GRB blev endda opdaget af LIGO Observatory ved hjælp af gravitationsbølger, som holdet blev tildelt Nobelprisen 2017 for.

Gennembrud opnået ved hjælp af maskinlæringsalgoritme

Nu, forskere ved Niels Bohr Institutet har udviklet en metode til at klassificere alle GRB'er uden at skulle finde en efterglød. Gruppen, ledet af førsteårs B.Sc. Fysikstuderende Johann Bock Severin, Christian Kragh Jespersen og Jonas Vinther, anvendt en maskinlæringsalgoritme til at klassificere GRB'er. De identificerede en ren adskillelse mellem lange og korte GRB'er. Deres arbejde, udført under opsyn af Charles Steinhardt, vil bringe astronomer et skridt tættere på at forstå GRB'er.

Dette gennembrud kan vise sig at være nøglen til endelig at opdage oprindelsen til disse mystiske udbrud. Som Charles Steinhardt, Lektor ved Cosmic Dawn Center på Niels Bohr Institutet forklarer, "Nu hvor vi har to komplette sæt til rådighed, vi kan begynde at udforske forskellene mellem dem. Indtil nu, der havde ikke været et værktøj til at gøre det."

Fra algoritme til visuelt kort

I stedet for at bruge et begrænset sæt oversigtsstatistikker, som man typisk gjorde indtil da, eleverne besluttede at indkode al tilgængelig information om GRB'er ved hjælp af maskinlæringsalgoritmen t-SNE. Den t-distribuerede Stokastiske naboskabsindlejringsalgoritme tager komplekse højdimensionelle data og producerer et forenklet og visuelt tilgængeligt kort. Det gør det uden at forstyrre datasættets struktur. "Det unikke ved denne tilgang, " forklarer Christian Kragh Jespersen, "er, at t-SNE ikke tvinger, at der er to grupper. Du lader dataene tale for sig selv og fortæller dig, hvordan de skal klassificeres."

Lyser på dataene

Forberedelsen af ​​funktionsrummet - det input du giver algoritmen - var den mest udfordrende del af projektet, siger Johann Bock Severin. I det væsentlige, eleverne skulle forberede datasættet på en sådan måde, at dets vigtigste funktioner ville skille sig ud. "Jeg kan godt lide at sammenligne det med at hænge dine datapunkter fra loftet i et mørkt rum, ", forklarer Christian Kragh Jespersen. "Vores hovedproblem var at finde ud af, fra hvilken retning vi skulle kaste lys over dataene for at gøre adskillelserne synlige."

'Trin 0 til at forstå GRB'er'

Eleverne udforskede t-SNE maskinlæringsalgoritmen som en del af deres 1. års projekt, et 1. års kursus i fysikbachelor. "Da vi nåede til slutningen af ​​kurset, det var tydeligt, at vi havde et ganske betydeligt resultat", siger deres vejleder Charles Steinhardt. Elevernes kortlægning af t-SNE deler rent alle GRB'er fra Swift-observatoriet i to grupper. Vigtigt, den klassificerer GRB'er, der tidligere var svære at klassificere. "Dette er i bund og grund trin 0 i forståelsen af ​​GRB'er, " forklarer Steinhardt. "For første gang, vi kan bekræfte, at kortere og længere GRB'er faktisk er helt separate ting."

Uden nogen forudgående teoretisk baggrund i astronomi, eleverne har opdaget en vigtig brik i puslespillet omkring GRB's. Herfra, astronomer kan begynde at udvikle modeller til at identificere karakteristikaene for disse to separate klasser.