Der Swift-Satellit und die KI der NASA bestimmen die Entfernung der am weitesten entfernten Gammastrahlenausbrüche

Das Aufkommen der KI wurde von vielen als gesellschaftlicher Wendepunkt gefeiert, da es ein Universum an Möglichkeiten eröffnet, nahezu jeden Aspekt unseres Lebens zu verbessern.

Astronomen nutzen mittlerweile KI im wahrsten Sinne des Wortes, um die Ausdehnung unseres Universums zu messen.

Zwei aktuelle Studien unter der Leitung von Maria Dainotti, Gastprofessorin am Nevada Astrophysics Center der UNLV und Assistenzprofessorin am National Astronomical Observatory of Japan (NAOJ), integrierten mehrere Modelle des maschinellen Lernens, um ein neues Maß an Genauigkeit bei Entfernungsmessungen für Gammastrahlen zu erreichen. Bursts (GRB) – die hellsten und heftigsten Explosionen im Universum.

GRBs setzen in nur wenigen Sekunden die gleiche Energiemenge frei, die unsere Sonne im Laufe ihres gesamten Lebens freisetzt. Dank ihrer Helligkeit können GRBs in mehreren Entfernungen beobachtet werden, auch an den Rändern des sichtbaren Universums, und helfen Astronomen bei ihrer Suche nach den ältesten und am weitesten entfernten Sternen. Aufgrund der Einschränkungen der aktuellen Technologie verfügt jedoch nur ein kleiner Prozentsatz der bekannten GRBs über alle Beobachtungsmerkmale, die erforderlich sind, um Astronomen bei der Berechnung ihrer Entfernung zu helfen.

Dainotti und seine Teams kombinierten GRB-Daten vom Neil Gehrels Swift Observatory der NASA mit mehreren maschinellen Lernmodellen, um die Einschränkungen der aktuellen Beobachtungstechnologie zu überwinden und, genauer gesagt, die Nähe von GRBs abzuschätzen, deren Entfernung unbekannt ist. Da GRBs sowohl in großer Entfernung als auch in relativ geringer Entfernung beobachtet werden können, kann das Wissen, wo sie auftreten, Wissenschaftlern dabei helfen, zu verstehen, wie sich Sterne im Laufe der Zeit verändern und wie viele GRBs in einem bestimmten Raum und zu einer bestimmten Zeit auftreten können.

„Diese Forschung verschiebt die Grenzen der Gammaastronomie und des maschinellen Lernens“, sagte Dainotti. „Folgeforschung und Innovation werden uns helfen, noch zuverlässigere Ergebnisse zu erzielen und es uns ermöglichen, einige der dringendsten kosmologischen Fragen zu beantworten, einschließlich der frühesten Prozesse in unserem Universum und seiner Entwicklung im Laufe der Zeit.“

KI verschiebt die Grenzen der Weltraumbeobachtung In einer Studie verwendeten Dainotti und Aditya Narendra, ein Doktorand im Abschlussjahr an der polnischen Jagiellonen-Universität, mehrere Methoden des maschinellen Lernens, um vom Swift UltraViolet/Optical (UVOT)-Weltraumteleskop beobachtete Entfernungs-GRBs genau zu messen und bodengestützte Teleskope, einschließlich des Subaru-Teleskops. Die Messungen basierten nur auf anderen GRB-Eigenschaften, die keinen Bezug zur Entfernung hatten. Die Studie wurde am 23. Mai im veröffentlicht Briefe aus astrophysikalischen Fachzeitschriften.

„Die Ergebnisse dieser Studie sind so präzise, ​​dass wir anhand der vorhergesagten Entfernung die Anzahl der GRBs in einem bestimmten Volumen und in einer bestimmten Zeit (Rate genannt) bestimmen können, was den tatsächlich beobachteten Schätzungen sehr nahe kommt“, sagte Narendra.

In einer weiteren Studie von Dainotti und internationalen Mitarbeitern konnte die GRB-Entfernung mithilfe maschinellen Lernens mithilfe von Daten des Swift X-Ray Telescope (XRT) der NASA, dem Nachleuchten des sogenannten langen GRB, erfolgreich gemessen werden. Es wird angenommen, dass GRBs auf unterschiedliche Weise auftreten. Lange GRBs treten auf, wenn ein massereicher Stern das Ende seines Lebens erreicht und in einer spektakulären Supernova explodiert. Eine andere Art, sogenannte kurze GRBs, entsteht, wenn die Überreste toter Sterne, wie zum Beispiel Neutronensterne, gravitativ verschmelzen und miteinander kollidieren.

Laut Dainotti liegt die Neuheit dieses Ansatzes darin, dass mehrere Methoden des maschinellen Lernens zusammen verwendet werden, um ihre kollektive Vorhersagekraft zu verbessern. Diese als Superlearner bezeichnete Methode weist jedem Algorithmus eine Gewichtung zu, deren Werte zwischen 0 und 1 liegen, wobei jede Gewichtung der Vorhersagekraft dieser einzelnen Methode entspricht.

„Der Vorteil von Superlearner besteht darin, dass die endgültige Vorhersage immer die einzelnen Modelle übertrifft“, sagte Dainotti. „Superlearner wird auch verwendet, um weniger prädiktive Algorithmen auszuschließen.“

Diese Studie wurde am 26. Februar veröffentlicht Das Astrophysical Journal, Ergänzungsreiheschätzt zuverlässig die Entfernung von 154 langen GRBs, deren Entfernung unbekannt ist, und erhöht die Population bekannter Entfernungen bei diesem Burst-Typ erheblich.

Beantwortung verwirrender Fragen zum GRB-Training

Eine dritte Studie, veröffentlicht am 21. Februar in der Briefe aus astrophysikalischen Fachzeitschriften und unter der Leitung der Astrophysiker Vahé Petrosian und Dainotti von der Stanford University nutzten Swift-Röntgendaten, um rätselhafte Fragen zu beantworten, indem sie zeigten, dass die GRB-Rate – zumindest bei kleinen relativen Entfernungen – nicht der Rate der Sternentstehung folgt.

„Dies eröffnet die Möglichkeit, dass lange GRBs in kleinen Entfernungen nicht durch den Kollaps massereicher Sterne, sondern durch die Verschmelzung sehr dichter Objekte wie Neutronensterne erzeugt werden könnten“, sagte Petrosian.

Mit Unterstützung des Swift Observatory Guest Investigator-Programms der NASA (Zyklus 19) arbeiten Dainotti und Kollegen derzeit daran, Tools für maschinelles Lernen über eine interaktive Webanwendung öffentlich zugänglich zu machen.