Kosmisk spring:NASA Swift-satellit og kunstig intelligens optrævler afstanden til de fjerneste gammastråleudbrud

Fremkomsten af ​​kunstig intelligens er blevet hyldet af mange som en samfundsmæssig gamechanger, da den åbner et univers af muligheder for at forbedre næsten alle aspekter af vores liv.

Astronomer bruger nu AI, helt bogstaveligt, til at måle udvidelsen af ​​vores univers.

To nylige undersøgelser ledet af Maria Dainotti, en gæsteprofessor ved UNLV's Nevada Center for Astrofysik og assisterende professor ved National Astronomical Observatory of Japan (NAOJ), inkorporerede flere maskinlæringsmodeller for at tilføje et nyt niveau af præcision til afstandsmålinger for gammastråler bursts (GRB'er) - de mest lysende og voldsomme eksplosioner i universet.

På få sekunder frigiver GRB'er den samme mængde energi, som vores sol frigiver i hele sin levetid. Fordi de er så lyse, kan GRB'er observeres på flere afstande - inklusive ved kanten af ​​det synlige univers - og hjælpe astronomer i deres søgen efter at jage de ældste og fjerneste stjerner. Men på grund af den nuværende teknologis begrænsninger har kun en lille procentdel af kendte GRB'er alle de observationsegenskaber, der er nødvendige for at hjælpe astronomer med at beregne, hvor langt væk de fandt sted.

Dainotti og hendes teams kombinerede GRB-data fra NASAs Neil Gehrels Swift Observatory med flere maskinlæringsmodeller for at overvinde begrænsningerne ved den nuværende observationsteknologi og mere præcist estimere nærheden af ​​GRB'er, for hvilke afstanden er ukendt. Fordi GRB'er kan observeres både langt væk og på relativt tætte afstande, kan viden om, hvor de forekommer, hjælpe forskerne med at forstå, hvordan stjerner udvikler sig over tid, og hvor mange GRB'er, der kan forekomme i et givet rum og tid.

"Denne forskning skubber grænsen fremad inden for både gamma-ray astronomi og maskinlæring," sagde Dainotti. "Opfølgningsforskning og innovation vil hjælpe os med at opnå endnu mere pålidelige resultater og sætte os i stand til at besvare nogle af de mest presserende kosmologiske spørgsmål, herunder de tidligste processer i vores univers, og hvordan det har udviklet sig over tid."

AI øger grænserne for dybrumsobservation I en undersøgelse brugte Dainotti og Aditya Narendra, en sidsteårs ph.d.-studerende ved Polens Jagiellonian University, adskillige maskinlæringsmetoder til præcist at måle afstanden af ​​GRB'er observeret af Space Swift UltraViolet/Optical Telescope ( UVOT) og jordbaserede teleskoper, herunder Subaru-teleskopet. Målingerne var udelukkende baseret på andre, ikke-afstandsrelaterede GRB-egenskaber. Forskningen blev offentliggjort den 23. maj i Astrophysical Journal Letters .

"Resultatet af denne undersøgelse er så præcist, at vi ved hjælp af forudsagt afstand kan bestemme antallet af GRB'er i en given volumen og tid (kaldet hastigheden), som er meget tæt på de faktiske observerede estimater," sagde Narendra.

En anden undersøgelse ledet af Dainotti og internationale samarbejdspartnere har haft succes med at måle GRB-afstand med maskinlæring ved hjælp af data fra NASA's Swift X-ray Telescope (XRT) efterglød fra det, der er kendt som lange GRB'er. GRB'er menes at forekomme på forskellige måder. Lange GRB'er sker, når en massiv stjerne når slutningen af ​​sit liv og eksploderer i en spektakulær supernova. En anden type, kendt som korte GRB'er, opstår, når resterne af døde stjerner, såsom neutronstjerner, smelter sammen gravitationsmæssigt og kolliderer med hinanden.

Dainotti siger, at det nye ved denne tilgang kommer fra at bruge flere maskinlæringsmetoder sammen for at forbedre deres kollektive forudsigelsesevne. Denne metode, kaldet Superlearner, tildeler hver algoritme en vægt, hvis værdier spænder fra 0 til 1, hvor hver vægt svarer til den forudsigelige kraft af den ene metode.

"Fordelen ved Superlearner er, at den endelige forudsigelse altid er mere effektiv end de enestående modeller," sagde Dainotti. "Superlearner bruges også til at kassere de algoritmer, som er de mindst forudsigelige."

Denne undersøgelse, som blev offentliggjort 26. februar i The Astrophysical Journal, Supplement Series , estimerer pålideligt afstanden på 154 lange GRB'er, for hvilke afstanden er ukendt, og øger signifikant populationen af ​​kendte afstande blandt denne type burst.

Besvarelse af gådefulde spørgsmål om GRB-dannelse

En tredje undersøgelse, offentliggjort 21. februar i Astrophysical Journal Letters og ledet af Stanford University astrofysiker Vahé Petrosian og Dainotti, brugte Swift røntgendata til at besvare forvirrende spørgsmål ved at vise, at GRB-hastigheden – i det mindste ved små relative afstande – ikke følger hastigheden af ​​stjernedannelse.

"Dette åbner muligheden for, at lange GRB'er på små afstande ikke kan genereres ved et kollaps af massive stjerner, men snarere ved fusion af meget tætte objekter som neutronstjerner," sagde Petrosian.

Med støtte fra NASA's Swift Observatory Guest Investigator-program (cyklus 19) arbejder Dainotti og hendes kolleger nu på at gøre maskinlæringsværktøjerne offentligt tilgængelige gennem en interaktiv webapplikation.