NASA-Satellit Swift und KI entschlüsseln Entfernung der weitesten Gammastrahlenausbrüche

Der Aufstieg der KI wird von vielen als bahnbrechende Neuerung in der Gesellschaft gefeiert, da sie ein Universum an Möglichkeiten eröffnet, um nahezu jeden Aspekt unseres Lebens zu verbessern.

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

In zwei aktuellen Studien unter der Leitung von Maria Dainotti, Gastprofessorin am Nevada Center for Astrophysics der UNLV und Assistenzprofessorin am National Astronomical Observatory of Japan (NAOJ), wurden mehrere Modelle maschinellen Lernens integriert, um die Entfernungsmessung von Gammastrahlenausbrüchen (GRBs) – den hellsten und heftigsten Explosionen im Universum – auf ein neues Niveau der Präzision zu bringen.

GRBs setzen in nur wenigen Sekunden die gleiche Energiemenge frei wie unsere Sonne in ihrer gesamten Lebenszeit. Da sie so hell sind, können GRBs aus unterschiedlichen Entfernungen beobachtet werden – auch am Rand des sichtbaren Universums – und helfen Astronomen bei ihrer Suche nach den ältesten und am weitesten entfernten Sternen. Aufgrund der Grenzen der aktuellen Technologie verfügt jedoch nur ein kleiner Prozentsatz der bekannten GRBs über alle Beobachtungsmerkmale, die Astronomen benötigen, um zu berechnen, in welcher Entfernung sie aufgetreten sind.

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

„Diese Forschung erweitert die Grenzen sowohl der Gammastrahlenastronomie als auch des maschinellen Lernens“, sagte Dainotti. „Folgeforschung und Innovationen werden uns helfen, noch zuverlässigere Ergebnisse zu erzielen und einige der dringendsten kosmologischen Fragen zu beantworten, darunter die frühesten Prozesse unseres Universums und wie es sich im Laufe der Zeit entwickelt hat.“

KI erweitert die Möglichkeiten der Beobachtung des Weltraums In einer Studie verwendeten Dainotti und Aditya Narendra, ein Doktorand im letzten Jahr an der polnischen Jagiellonen-Universität, mehrere Methoden des maschinellen Lernens, um die Entfernung von GRBs, die vom Weltraumteleskop Swift UltraViolet/Optical Telescope (UVOT) und erdgebundenen Teleskopen, darunter dem Subaru-Teleskop, beobachtet wurden, genau zu messen. Die Messungen basierten ausschließlich auf anderen, nicht entfernungsbezogenen GRB-Eigenschaften. Die Forschung war veröffentlicht am 23. Mai im Astrophysikalische Zeitschriftenbriefe.

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

In einer weiteren Studie unter der Leitung von Dainotti und internationalen Mitarbeitern konnte die GRB-Distanz erfolgreich mit maschinellem Lernen gemessen werden. Die Daten stammen vom Nachglühen so genannter langer GRBs des Swift X-ray Telescope (XRT) der NASA. Man geht davon aus, dass GRBs auf unterschiedliche Weise entstehen. Lange GRBs ereignen sich, wenn ein massereicher Stern das Ende seines Lebens erreicht und in einer spektakulären Supernova explodiert. Ein anderer Typ, die so genannten kurzen GRBs, ereignet sich, wenn die Überreste toter Sterne, etwa Neutronensterne, durch Gravitation miteinander verschmelzen und kollidieren.

Dainotti sagt, das Neue an diesem Ansatz liege darin, dass mehrere Methoden des maschinellen Lernens gemeinsam eingesetzt würden, um ihre gemeinsame Vorhersagekraft zu verbessern. Diese Methode, Superlearner genannt, weist jedem Algorithmus eine Gewichtung zu, deren Werte zwischen 0 und 1 liegen, wobei jede Gewichtung der Vorhersagekraft der einzelnen Methode entspricht.

„Der Vorteil des Superlearners ist, dass die endgültige Vorhersage immer leistungsfähiger ist als die einzelnen Modelle“, sagte Dainotti. „Superlearner wird auch verwendet, um die Algorithmen auszusortieren, die am wenigsten aussagekräftig sind.“

Diese Studie, die veröffentlicht am 26. Februar in The Astrophysical Journal, Beilagereiheschätzt zuverlässig die Entfernung von 154 langen GRBs, deren Entfernung unbekannt ist, und erhöht die Population bekannter Entfernungen bei diesem Ausbruchstyp erheblich.

Rätselhafte Fragen zur Entstehung von GRBs beantworten

Eine dritte Studie, veröffentlicht am 21. Februar im Astrophysikalische Zeitschriftenbriefe Unter der Leitung des Astrophysikers Vahé Petrosian und des Astrophysikers Dainotti von der Stanford University nutzten sie Swift-Röntgendaten, um rätselhafte Fragen zu beantworten. Sie zeigten, dass die GRB-Rate – zumindest bei kleinen relativen Entfernungen – nicht der Sternentstehungsrate folgt.

„Dies eröffnet die Möglichkeit, dass lange GRBs in geringen Entfernungen nicht durch den Kollaps massereicher Sterne, sondern vielmehr durch die Fusion sehr dichter Objekte wie Neutronensterne entstehen“, sagte Petrosian.

Mit Unterstützung des Swift Observatory Guest Investigator-Programms (Zyklus 19) der NASA arbeiten Dainotti und ihre Kollegen nun daran, die Tools des maschinellen Lernens über eine interaktive Webanwendung öffentlich zugänglich zu machen.