Door een machine learning-algoritme toe te passen, wetenschappers van het Niels Bohr Instituut, Universiteit van Kopenhagen, een methode hebben ontwikkeld om alle gammastraaluitbarstingen (GRB's) te classificeren, snelle zeer energetische explosies in verre sterrenstelsels, zonder een nagloed te hoeven vinden - waarmee GRB's momenteel worden gecategoriseerd. Deze doorbraak, geïnitieerd door eerstejaars B.Sc. studenten, kan de sleutel blijken te zijn om eindelijk de oorsprong van deze mysterieuze uitbarstingen te ontdekken. Het resultaat is nu gepubliceerd in Astrofysische journaalbrieven .

Sinds gammaflitsen (GRB's) per ongeluk werden opgepikt door Koude Oorlog-satellieten in de jaren '70, de oorsprong van deze snelle uitbarstingen was een belangrijke puzzel. Hoewel veel astronomen het erover eens zijn dat GRB's kunnen worden onderverdeeld in kortere (meestal minder dan 1 seconde) en langere (tot enkele minuten) bursts, de twee groepen overlappen elkaar. Er is gedacht dat langere uitbarstingen in verband kunnen worden gebracht met de ineenstorting van massieve sterren, terwijl kortere uitbarstingen in plaats daarvan kunnen worden veroorzaakt door de samensmelting van neutronensterren. Echter, zonder de mogelijkheid om de twee groepen te scheiden en hun eigenschappen te lokaliseren, het was onmogelijk om deze ideeën te testen.

Tot dusver, het type GRB kon slechts ongeveer 1% van de tijd worden bepaald, toen een telescoop snel genoeg op de burst-locatie kon wijzen om restlicht op te vangen, een nagloed genoemd. Dit was zo'n cruciale stap dat astronomen wereldwijde netwerken hebben ontwikkeld die in staat zijn ander werk te onderbreken en grote telescopen binnen enkele minuten na de ontdekking van een nieuwe burst opnieuw te richten. Eén GRB werd zelfs gedetecteerd door het LIGO-observatorium met behulp van zwaartekrachtgolven, waarvoor het team de Nobelprijs 2017 kreeg.

Doorbraak bereikt met behulp van machine learning-algoritme

Nutsvoorzieningen, wetenschappers van het Niels Bohr Instituut hebben een methode ontwikkeld om alle GRB's te classificeren zonder een nagloeiing te hoeven zoeken. De groep, onder leiding van eerstejaars B.Sc. Natuurkundestudenten Johann Bock Severin, Christian Kragh Jespersen en Jonas Vinther, een machine learning-algoritme toegepast om GRB's te classificeren. Ze identificeerden een zuivere scheiding tussen lange en korte GRB's. Hun werk, uitgevoerd onder toezicht van Charles Steinhardt, zal astronomen een stap dichter bij het begrijpen van GRB's brengen.

Deze doorbraak kan de sleutel zijn om eindelijk de oorsprong van deze mysterieuze uitbarstingen te ontdekken. Zoals Charles Steinhardt, Universitair hoofddocent aan het Cosmic Dawn Center van het Niels Bohr Institute legt uit:"Nu we twee complete sets beschikbaar hebben, we kunnen beginnen met het verkennen van de verschillen tussen hen. Tot dusver, er was geen hulpmiddel om dat te doen."

Van algoritme naar visuele kaart

In plaats van een beperkte set samenvattende statistieken te gebruiken, zoals tot dan toe gebruikelijk was, de studenten besloten om alle beschikbare informatie over GRB's te coderen met behulp van het machine learning-algoritme t-SNE. Het t-gedistribueerde stochastische buurtinbeddingsalgoritme neemt complexe hoogdimensionale gegevens en produceert een vereenvoudigde en visueel toegankelijke kaart. Het doet dit zonder de structuur van de dataset te verstoren. "Het unieke aan deze aanpak, " legt Christian Kragh Jespersen uit, "is dat t-SNE er niet voor zorgt dat er twee groepen zijn. Je laat de gegevens voor zichzelf spreken en vertelt je hoe ze moeten worden geclassificeerd."

Licht schijnen op de gegevens

De voorbereiding van de functieruimte - de invoer die u aan het algoritme geeft - was het meest uitdagende onderdeel van het project, zegt Johann Bock Severin. Eigenlijk, de studenten moesten de dataset zo voorbereiden dat de belangrijkste kenmerken eruit zouden springen. "Ik vergelijk het graag met het ophangen van je datapunten aan het plafond in een donkere kamer, " legt Christian Kragh Jespersen uit. "Ons grootste probleem was om erachter te komen vanuit welke richting we licht op de gegevens moesten laten schijnen om de scheidingen zichtbaar te maken."

'Stap 0 in het begrijpen van GRB's'

De studenten verkenden het t-SNE machine-learning-algoritme als onderdeel van hun eerstejaarsproject, een 1e jaars vak in de Bachelor of Physics. "Tegen de tijd dat we aan het einde van de cursus kwamen, het was duidelijk dat we een behoorlijk significant resultaat hadden", zegt hun supervisor Charles Steinhardt. Het in kaart brengen van de t-SNE door de studenten verdeelt alle GRB's van het Swift-observatorium netjes in twee groepen. belangrijk, het classificeert GRB's die voorheen moeilijk te classificeren waren. "Dit is in wezen stap 0 in het begrijpen van GRB's, " legt Steinhardt uit. "Voor de eerste keer, we kunnen bevestigen dat kortere en langere GRB's inderdaad volledig gescheiden dingen zijn."

Zonder enige voorafgaande theoretische achtergrond in de astronomie, de studenten hebben een belangrijk stukje van de puzzel rond GRB's ontdekt. Vanaf hier, astronomen kunnen beginnen met het ontwikkelen van modellen om de kenmerken van deze twee afzonderlijke klassen te identificeren.