po polsku

Obserwatorium Astronomiczne Uniwersytetu Jagiellońskiego

 

Astronomiczny Obiekt Miesiąca: Czerwiec 2024

< poprzedni Archiwum następny >

Kosmiczny skok: satelita Swift i AI ujawniają odległości najdalszych rozbłysków gamma

Międzynarodowy zespół astrofizyków opracował nowatorską metodę uczenia maszynowego pozwalającą mierzyć odległości do rozbłysków gamma, najpotężniejszych eksplozji we Wszechświecie. Wyniki tych badań zostały opublikowane w Astrophysical Journal Letters (ApJL) i Astrophysical Journal Supplement Series (ApJSS). Głównymi autorami prac są dr Maria Dainotti (Japonia, NAOJ) i Aditya Narendra z Obserwatorium Astronomicznego Uniwersytetu Jagiellońskiego w Krakowie.

Ilustracja: Schemat zjawiska rozbłysku gamma. Źródło: Publikacja Zespołu.

Rozbłyski gamma (GRB) to najbardziej gwałtowne zjawiska we Wszechświecie zachodzące po Wielkim Wybuchu. W ciągu kilku sekund uwalniają ilość energii równą tej, jaką nasze Słońce wyzwala w ciągu całego okresu swojego istnienia. Dzięki temu, że są tak niezwykle silne i jasne, możemy je obserwować nawet na obrzeżach widzialnego Wszechświata, czyli jako występujące w momencie, gdy miał on zaledwie 500 milionów lat. Spojrzenie na dawny Wszechświat z tak dużych odległości pozwala na poszukiwanie najstarszych gwiazd, które są niezwykle trudne do zaobserwowania, ale są też powszechnie uważane za progenitorów błysków gamma.

Uważa się, że GRB mogą powstawać na różne sposoby. Jednym z nich jest przypadek, gdy masywna gwiazda, ponad 30 razy masywniejsza od naszego Słońca, dobiega kresu swojego życia i eksploduje w postaci widowiskowej supernowej. Są to jedne z najjaśniejszych zdarzeń w znanym nam Wszechświecie, które, jak zaobserwowano, powodują pojawienie się szczególnej klasy zjawisk GRB, zwanych długimi błyskami gamma. Drugimi znanymi zdarzeniami powodującymi pojawianie się GRB są tak zwane fuzje. Dochodzi do nich, gdy pozostałości po dawnych gwiazdach, na przykład gwiazdy neutronowe, zbliżają się do siebie pod wpływem grawitacji i ostatecznie zderzają się, uwalniając przy tym ogromne ilości energii w bardzo krótkim czasie. Zdarzenia te prowadzą do powstawania krótkich błysków gamma.

Zjawiska GRB są obserwowane nie tylko daleko od nas, ale także w dość bliskich odległościach, co pozwala nam zrozumieć, w jaki sposób gwiazdy ewoluują w czasie i jak wiele błysków gamma może wystąpić w danej przestrzeni i w danym czasie. Jednak zmierzenie odległości do obiektów związanych z błyskami jest bardzo trudnym zadaniem ze względu na niewielką liczbę teleskopów obserwujących te przypadkowe zdarzenia i inne ograniczenia instrumentalne. Potrzebujemy zatem niezależnej metody pośredniego pomiaru tych odległości -- i tutaj z pomocą przychodzą dane z satelity Neil Gehrels Swift oraz uczenie maszynowe.

Międzynarodowy zespół kierowany przez dr Marię Dainotti z Narodowego Obserwatorium Astronomicznego w Japonii oraz Adityę Narendrę, doktoranta ostatniego roku na Uniwersytecie Jagiellońskim w Krakowie, opracował zaawansowaną technikę uczenia maszynowego umożliwiającą wyznaczanie odległości do progenitorów GRB w oparciu o ich niezależnie, niezwiązane bezpośrednio z odległością, fizyczne właściwości. Innowacyjność tego pomysłu polega na tym, że zamiast używać jednego modelu uczenia maszynowego, zebrano kilka modeli razem, aby poprawić moc prognostyczną tych narzędzi. Metoda została nazwana Superlearner i każdemu algorytmowi przypisuje wagę, której wartości mieszczą się w zakresie od 0 do 1, a każda waga odpowiada mocy prognostycznej tego konkretnego modelu - wyjaśnia dr Dainotti. Przewaga Superlearnera polega na tym, że ostateczna prognoza jest zawsze dokładniejsza niż wyniki z pojedynczych modeli. Superlearner jest również używany do odrzucania algorytmów, które są najmniej predykcyjne. Przykładowo, ustawiliśmy próg akceptacji modelu dla naszego zbioru danych. Próg ten wynosi 0,05.

Zwiększa to prawdopodobieństwo, że metoda ta będzie w stanie bardziej precyzyjnie oszacować odległość do błysków gamma.

Dzięki temu, że SuperLearner może łączyć dowolne modele uczenia maszynowego, możemy dostosować metodologię w zależności od danych, z którymi akurat pracujemy - dodaje Narendra. Kluczowym elementem szkolenia modeli uczenia maszynowego jest walidacja krzyżowa. To technika, która naśladuje rzeczywistą efektywność algorytmu uczenia maszynowego, a tym samym daje nam dokładne oszacowanie jego wydajności.

Zespół wykazał, że częstotliwość występowania błysków gamma nie pokrywa się z częstością powstawania gwiazd w niewielkich odległościach, co pozwala przypuszczać, że długotrwałe błyski gamma obserwowane w niewielkich odległościach od nas mogą być generowane nie przez zapadanie się masywnych gwiazd (o masie 30 razy większej niż masa Słońca), jak wcześniej zakładano, ale raczej przez łączenie się bardzo gęstych obiektów (w tym gwiazd neutronowych). Tezę tę na podstawie danych rentgenowskich z satelity Swift sformułowali dr Vahe Petrosian, profesor Uniwersytetu Stanforda, i dr Dainotti, a nowa praca zespołu zdaje się potwierdzać ją również w odniesieniu do danych optycznych.

Badania te wyznaczają nowe granice zarówno w dziedzinie astronomii promieniowania gamma, jak i uczenia maszynowego. Dalsze badania i kolejne rozwiązania mogą pomóc astrofizykom uzyskać jeszcze dokładniejsze wyniki, a w przyszłości nawet rozwiązać szereg istotnych problemów kosmologicznych.


Oryginalna publikacja: Maria Giovanna Dainotti, Aditya Narendra, Agnieszka Pollo, Vahé Petrosian, Małgorzata Bogdan, Kazunari Iwasaki, Jason Xavier Prochaska, Enrico Rinaldi, David Zhou, Gamma-Ray Bursts as Distance Indicators by a Statistical Learning Approach, ApJL 967 L30 (2024).

Opisane wyniki są częścią badań prowadzonych w Zakładzie Astronomii Gwiazdowej i Pozagalaktycznej Obserwatorium Astronomicznego Uniwersytetu Jagiellońskiego w Krakowie. Opublikowano również podobną analizę rentgenowską wykorzystującą dane z satelity Swift: Dainotti, M. G. et al. „Inferring the Redshift of More than 150 GRBs with a Machine-learning Ensemble Model”. The Astrophysical Journal Supplement Series 271.1 (2024): 22, DOI: 10.3847/1538-4365/ad1aaf.


Kontakt:

Aditya Narendra
Obserwatorium Astronomiczne
Uniwersytetu Jagiellońskiego
Aditya.Narendra [@] doctoral.uj.edu.pl

TKGS