Спутник NASA Swift и ИИ определяют расстояние до дальних гамма-всплесков

Swift, показанный здесь, является результатом сотрудничества Центра космических полетов имени Годдарда НАСА в Гринбелте, штат Мэриленд, штата Пенсильвания в Университетском парке, Национальной лаборатории Лос-Аламоса в Нью-Мексико и компании Northrop Grumman Innovation Systems в Даллесе, штат Вирджиния. В число других партнеров входят Университет Лестера и Лаборатория космических наук Малларда в Соединенном Королевстве, обсерватория Брера в Италии и Итальянское космическое агентство. Автор: NASA's Goddard Space Flight Center/Chris Smith (KBRwyle)

Многие приветствовали появление искусственного интеллекта, который изменил правила игры в обществе, поскольку он открывает массу возможностей для улучшения практически каждого аспекта нашей жизни.

Сейчас астрономы в буквальном смысле используют ИИ для измерения расширения нашей Вселенной.

Два недавних исследования под руководством Марии Дайнотти, приглашенного профессора Невадского центра астрофизики UNLV и доцента Национальной астрономической обсерватории Японии (NAOJ), включали несколько моделей машинного обучения, чтобы повысить точность измерений расстояний для гамма-лучей. всплески (GRB) — самые яркие и сильные взрывы во Вселенной.

Всего за несколько секунд гамма-всплески выделяют такое же количество энергии, которое наше Солнце выделяет за всю свою жизнь. Поскольку гамма-всплески настолько яркие, их можно наблюдать на разных расстояниях, в том числе на краю видимой Вселенной, и они помогают астрономам в их стремлении преследовать самые старые и самые далекие звезды. Но из-за ограничений современных технологий лишь небольшой процент известных гамма-всплесков обладает всеми наблюдательными характеристиками, необходимыми для того, чтобы помочь астрономам вычислить, на каком расстоянии они произошли.

Дайнотти и ее команды объединили данные гамма-всплесков из обсерватории НАСА Нила Герельса Свифта с несколькими моделями машинного обучения, чтобы преодолеть ограничения современных технологий наблюдений и, более точно, оценить близость гамма-всплесков, расстояние до которых неизвестно. Поскольку гамма-всплески можно наблюдать как на большом, так и на относительно близком расстоянии, знание того, где они происходят, может помочь ученым понять, как звезды развиваются с течением времени и сколько гамма-всплесков может возникнуть в данном пространстве и времени.

«Это исследование расширяет границы как в гамма-астрономии, так и в машинном обучении», — сказал Дайнотти. «Последующие исследования и инновации помогут нам достичь еще более надежных результатов и дать возможность ответить на некоторые из наиболее актуальных космологических вопросов, включая самые ранние процессы в нашей Вселенной и то, как она развивалась с течением времени».

Искусственный интеллект расширяет возможности наблюдения в дальнем космосе В одном исследовании Дайнотти и Адитья Нарендра, аспирант последнего курса польского Ягеллонского университета, использовали несколько методов машинного обучения для точного измерения расстояния до гамма-всплесков, наблюдаемых космическим ультрафиолетовым/оптическим телескопом Swift. УВОТ) и наземные телескопы, в том числе телескоп Subaru. Измерения были основаны исключительно на других, не связанных с расстоянием, свойствах GRB. Исследование было опубликовано 23 мая в Astrophysical Journal Letters.

«Результаты этого исследования настолько точны, что мы можем определить, используя предсказанное расстояние, количество гамма-всплесков в заданном объеме и времени (называемое скоростью), что очень близко к фактически наблюдаемым оценкам», — сказал Нарендра.

Концепция художника, показывающая сочетание моделирования искусственного интеллекта со спутником НАСА Swift. Автор: Maria Dainotti

Другое исследование, проведенное Дайнотти и его международными коллегами, позволило успешно измерить расстояние до гамма-всплесков с помощью машинного обучения с использованием данных послесвечения рентгеновского телескопа Swift (XRT) НАСА от так называемых длинных гамма-всплесков. Считается, что гамма-всплески возникают по-разному. Длинные гамма-всплески случаются, когда массивная звезда достигает конца своего существования и взрывается впечатляющей сверхновой. Другой тип, известный как короткие гамма-всплески, возникает, когда остатки мертвых звезд, таких как нейтронные звезды, гравитационно сливаются и сталкиваются друг с другом.

Дайнотти говорит, что новизна этого подхода заключается в совместном использовании нескольких методов машинного обучения для повышения их коллективной предсказательной способности. Этот метод, называемый Superlearner, присваивает каждому алгоритму вес, значения которого варьируются от 0 до 1, причем каждый вес соответствует предсказательной способности этого единственного метода.

«Преимущество Superlearner в том, что окончательный прогноз всегда более эффективен, чем единичные модели», — сказал Дайнотти. «Superlearner также используется для отбрасывания алгоритмов, которые являются наименее прогнозирующими».

Это исследование, опубликованное 26 февраля в The Astrophysical Journal, Supplement Series, надежно оценивает расстояние до 154 длинных гамма-всплесков, для которых расстояние неизвестно, и значительно увеличивает популяцию известных расстояний среди всплесков этого типа.

Отвечаем на загадочные вопросы о формировании GRB

Третье исследование, опубликованное 21 февраля в журнале Astrophysical Journal Letters под руководством астрофизиков Стэнфордского университета Ваэ Петросяна и Дайнотти, использовало рентгеновские данные Swift, чтобы ответить на загадочные вопросы, показав, что частота гамма-всплесков — по крайней мере, на небольших относительных расстояниях — не следить за скоростью звездообразования.

«Это открывает возможность того, что длинные гамма-всплески на небольших расстояниях могут возникать не в результате коллапса массивных звезд, а скорее в результате слияния очень плотных объектов, таких как нейтронные звезды», — сказал Петросян.

При поддержке программы NASA Swift Observatory Guest Investigator (цикл 19) Дайнотти и ее коллеги сейчас работают над тем, чтобы сделать инструменты машинного обучения общедоступными через интерактивное веб-приложение.

Больше информации: Maria Giovanna Dainotti et al, Gamma-Ray Bursts as Distance Indicators by a Statistical Learning Approach, The Astrophysical Journal Letters (2024). DOI: 10.3847/2041-8213/ad4970
Maria Giovanna Dainotti et al, Inferring the Redshift of More than 150 GRBs with a Machine-learning Ensemble Model, The Astrophysical Journal Supplement Series (2024). DOI: 10.3847/1538-4365/ad1aaf
Vahé Petrosian et al, Progenitors of Low-redshift Gamma-Ray Bursts, The Astrophysical Journal Letters (2024). DOI: 10.3847/2041-8213/ad2763 Больше информации: Maria Giovanna Dainotti et al, Gamma-Ray Bursts as Distance Indicators by a Statistical Learning Approach, The Astrophysical Journal Letters (2024). DOI: 10.3847/2041-8213/ad4970
Maria Giovanna Dainotti et al, Inferring the Redshift of More than 150 GRBs with a Machine-learning Ensemble Model, The Astrophysical Journal Supplement Series (2024). DOI: 10.3847/1538-4365/ad1aaf
Vahé Petrosian et al, Progenitors of Low-redshift Gamma-Ray Bursts, The Astrophysical Journal Letters (2024). DOI: 10.3847/2041-8213/ad2763 Больше информации: Maria Giovanna Dainotti et al, Gamma-Ray Bursts as Distance Indicators by a Statistical Learning Approach, The Astrophysical Journal Letters (2024). DOI: 10.3847/2041-8213/ad4970
Maria Giovanna Dainotti et al, Inferring the Redshift of More than 150 GRBs with a Machine-learning Ensemble Model, The Astrophysical Journal Supplement Series (2024). DOI: 10.3847/1538-4365/ad1aaf
Vahé Petrosian et al, Progenitors of Low-redshift Gamma-Ray Bursts, The Astrophysical Journal Letters (2024). DOI: 10.3847/2041-8213/ad2763

Источник: University of Nevada, Las Vegas