Wetenschap
Kosmische sprong:NASA Swift-satelliet en AI ontrafelen de afstand van de verste gammaflitsen
Astronomen gebruiken AI nu, vrij letterlijk, om de uitdijing van ons universum te meten.
Twee recente onderzoeken onder leiding van Maria Dainotti, gastprofessor bij het Nevada Center for Astrophysics van UNLV en assistent-professor bij het National Astronomical Observatory of Japan (NAOJ), integreerden meerdere machine learning-modellen om een nieuw nauwkeurigheidsniveau toe te voegen aan afstandsmetingen voor gammastraling uitbarstingen (GRB's) – de meest lichtgevende en gewelddadige explosies in het universum.
In slechts een paar seconden geven GRB's dezelfde hoeveelheid energie vrij die onze zon tijdens haar hele leven vrijgeeft. Omdat ze zo helder zijn, kunnen GRB’s op meerdere afstanden worden waargenomen – ook aan de rand van het zichtbare heelal – en kunnen astronomen worden geholpen bij hun zoektocht naar de oudste en meest verre sterren. Maar vanwege de beperkingen van de huidige technologie beschikt slechts een klein percentage van de bekende GRB's over alle observatiekenmerken die nodig zijn om astronomen te helpen berekenen hoe ver ze zich hebben voorgedaan.
Dainotti en haar teams combineerden GRB-gegevens van NASA's Neil Gehrels Swift Observatory met meerdere machine learning-modellen om de beperkingen van de huidige observatietechnologie te overwinnen en, preciezer gezegd, de nabijheid van GRB's te schatten waarvan de afstand onbekend is. Omdat GRB's zowel ver weg als op relatief korte afstanden kunnen worden waargenomen, kan het weten waar ze voorkomen wetenschappers helpen begrijpen hoe sterren in de loop van de tijd evolueren en hoeveel GRB's er in een bepaalde ruimte en tijd kunnen voorkomen.
"Dit onderzoek verlegt de grenzen op het gebied van zowel gammastralingsastronomie als machinaal leren", zegt Dainotti. "Vervolgonderzoek en innovatie zullen ons helpen nog betrouwbaardere resultaten te bereiken en ons in staat stellen een aantal van de meest urgente kosmologische vragen te beantwoorden, waaronder de vroegste processen van ons universum en hoe het zich in de loop van de tijd heeft ontwikkeld."
AI vergroot de grenzen van observatie in de diepe ruimte In één onderzoek gebruikten Dainotti en Aditya Narendra, een laatstejaars doctoraatsstudent aan de Poolse Jagiellonian Universiteit, verschillende machine learning-methoden om nauwkeurig de afstand te meten van GRB's waargenomen door de Swift UltraViolet/Optical Telescope in de ruimte. UVOT) en telescopen op de grond, waaronder de Subaru-telescoop. De metingen waren uitsluitend gebaseerd op andere, niet-afstandsgerelateerde GRB-eigenschappen. Het onderzoek werd op 23 mei gepubliceerd in de Astrofysical Journal Letters .
"De uitkomst van dit onderzoek is zo nauwkeurig dat we met behulp van de voorspelde afstand het aantal GRB's in een bepaald volume en een bepaalde tijd (de snelheid genoemd) kunnen bepalen, wat zeer dicht bij de feitelijk waargenomen schattingen ligt", aldus Narendra.
Een ander onderzoek onder leiding van Dainotti en internationale medewerkers is succesvol geweest in het meten van de GRB-afstand met machinaal leren met behulp van gegevens van NASA's Swift X-ray Telescope (XRT) nagloeiingen van zogenaamde lange GRB's. Aangenomen wordt dat GRB's op verschillende manieren voorkomen. Lange GRB's vinden plaats wanneer een massieve ster het einde van zijn leven bereikt en explodeert in een spectaculaire supernova. Een ander type, bekend als korte GRB's, ontstaat wanneer de overblijfselen van dode sterren, zoals neutronensterren, door zwaartekracht samensmelten en met elkaar botsen.
Dainotti zegt dat de nieuwigheid van deze aanpak voortkomt uit het samen gebruiken van verschillende machine learning-methoden om hun collectieve voorspellende kracht te verbeteren. Deze methode, genaamd Superlearner, kent aan elk algoritme een gewicht toe waarvan de waarden variëren van 0 tot 1, waarbij elk gewicht overeenkomt met de voorspellende kracht van die specifieke methode.
"Het voordeel van de Superlearner is dat de uiteindelijke voorspelling altijd beter presteert dan de enkelvoudige modellen", zegt Dainotti. "Superlearner wordt ook gebruikt om de algoritmen te verwijderen die het minst voorspellend zijn."
Deze studie, die op 26 februari werd gepubliceerd in The Astrophysical Journal, Supplement Series , schat op betrouwbare wijze de afstand van 154 lange GRB's waarvan de afstand onbekend is en vergroot de populatie van bekende afstanden onder dit soort uitbarstingen aanzienlijk.
Beantwoording van raadselachtige vragen over GRB-vorming
Een derde onderzoek, gepubliceerd op 21 februari in de Astrophysical Journal Letters en onder leiding van astrofysicus Vahé Petrosian en Dainotti van Stanford University, gebruikten ze Swift-röntgengegevens om raadselachtige vragen te beantwoorden door aan te tonen dat de GRB-snelheid – althans op kleine relatieve afstanden – de snelheid van stervorming niet volgt.
"Dit opent de mogelijkheid dat lange GRB's op kleine afstanden niet worden gegenereerd door het instorten van massieve sterren, maar eerder door de fusie van zeer dichte objecten zoals neutronensterren", zegt Petrosian.
Met steun van NASA's Swift Observatory Guest Investigator-programma (cyclus 19) werken Dainotti en haar collega's er nu aan om de machine learning-tools publiekelijk beschikbaar te maken via een interactieve webapplicatie.