L’avènement de l’IA a été salué par beaucoup comme un tournant sociétal, car elle ouvre un univers de possibilités pour améliorer presque tous les aspects de nos vies.
Les astronomes utilisent désormais littéralement l’IA pour mesurer l’expansion de notre univers.
Deux études récentes dirigées par Maria Dainotti, professeure invitée au Centre d’astrophysique du Nevada de l’UNLV et professeure adjointe à l’Observatoire astronomique national du Japon (NAOJ), ont incorporé plusieurs modèles d’apprentissage automatique pour ajouter un nouveau niveau de précision aux mesures de distance pour les rayons gamma. sursauts (GRB) – les explosions les plus lumineuses et les plus violentes de l’univers.
En quelques secondes seulement, les GRB libèrent la même quantité d’énergie que notre soleil libère au cours de sa vie entière. Grâce à leur luminosité, les GRB peuvent être observés à de multiples distances, y compris aux confins de l’univers visible, et aident les astronomes dans leur quête des étoiles les plus anciennes et les plus lointaines. Mais, en raison des limites de la technologie actuelle, seul un petit pourcentage de GRB connus possèdent toutes les caractéristiques d’observation nécessaires pour aider les astronomes à calculer à quelle distance ils se sont produits.
Dainotti et ses équipes ont combiné les données GRB de l’observatoire Neil Gehrels Swift de la NASA avec plusieurs modèles d’apprentissage automatique pour surmonter les limites de la technologie d’observation actuelle et, plus précisément, estimer la proximité des GRB dont la distance est inconnue. Étant donné que les GRB peuvent être observés aussi bien à des distances lointaines qu’à des distances relativement proches, savoir où ils se produisent peut aider les scientifiques à comprendre comment les étoiles évoluent au fil du temps et combien de GRB peuvent se produire dans un espace et un temps donnés.
« Cette recherche repousse les frontières de l’astronomie gamma et de l’apprentissage automatique », a déclaré Dainotti. « La recherche de suivi et l’innovation nous aideront à obtenir des résultats encore plus fiables et nous permettront de répondre à certaines des questions cosmologiques les plus urgentes, notamment les premiers processus de notre univers et son évolution au fil du temps. »
L’IA repousse les limites de l’observation dans l’espace lointain Dans une étude, Dainotti et Aditya Narendra, doctorant en dernière année à l’Université Jagellonne de Pologne, ont utilisé plusieurs méthodes d’apprentissage automatique pour mesurer avec précision la distance des GRB observés par le télescope spatial Swift UltraViolet/Optical ( UVOT) et des télescopes au sol, dont le télescope Subaru. Les mesures étaient basées uniquement sur d’autres propriétés GRB non liées à la distance. La recherche a été publié le 23 mai dans le Lettres de journaux astrophysiques.
« Les résultats de cette étude sont si précis que nous pouvons déterminer, en utilisant la distance prévue, le nombre de GRB dans un volume et un temps donnés (appelé taux), ce qui est très proche des estimations réelles observées », a déclaré Narendra.
Une autre étude menée par Dainotti et des collaborateurs internationaux a réussi à mesurer la distance GRB avec l’apprentissage automatique en utilisant les données du télescope à rayons X Swift (XRT) de la NASA, les rémanences de ce que l’on appelle les longs GRB. On pense que les GRB se produisent de différentes manières. Les GRB longs se produisent lorsqu’une étoile massive atteint la fin de sa vie et explose en une supernova spectaculaire. Un autre type, connu sous le nom de GRB courts, se produit lorsque les restes d’étoiles mortes, telles que les étoiles à neutrons, fusionnent gravitationnellement et entrent en collision les uns avec les autres.
Dainotti affirme que la nouveauté de cette approche vient de l’utilisation conjointe de plusieurs méthodes d’apprentissage automatique pour améliorer leur pouvoir prédictif collectif. Cette méthode, appelée Superlearner, attribue à chaque algorithme un poids dont les valeurs vont de 0 à 1, chaque poids correspondant au pouvoir prédictif de cette méthode singulière.
« L’avantage du Superlearner est que la prédiction finale est toujours plus performante que les modèles singuliers », a déclaré Dainotti. « Superlearner est également utilisé pour écarter les algorithmes les moins prédictifs. »
Cette étude, qui a été publié le 26 février dans Le journal astrophysique, série de supplémentsestime de manière fiable la distance de 154 GRB longs pour lesquels la distance est inconnue et augmente considérablement la population de distances connues parmi ce type de rafale.
Répondre à des questions déroutantes sur la formation des GRB
Une troisième étude, publié le 21 février dans le Lettres de journaux astrophysiques et dirigé par l’astrophysicien Vahé Petrosian et Dainotti de l’Université de Stanford, a utilisé les données de rayons X Swift pour répondre à des questions déroutantes en montrant que le taux de GRB – du moins à de petites distances relatives – ne suit pas le taux de formation des étoiles.
« Cela ouvre la possibilité que de longs GRB à petites distances puissent être générés non pas par l’effondrement d’étoiles massives mais plutôt par la fusion d’objets très denses comme les étoiles à neutrons », a déclaré Petrosian.
Avec le soutien du programme Swift Observatory Guest Investigator de la NASA (cycle 19), Dainotti et ses collègues travaillent actuellement à rendre les outils d’apprentissage automatique accessibles au public via une application Web interactive.
Plus d’information:
Maria Giovanna Dainotti et al, Les sursauts gamma comme indicateurs de distance par une approche d’apprentissage statistique, Les lettres du journal astrophysique (2024). DOI : 10.3847/2041-8213/ad4970
Maria Giovanna Dainotti et al, Déduire le redshift de plus de 150 GRB avec un modèle d’ensemble d’apprentissage automatique, La série de suppléments du journal astrophysique (2024). DOI : 10.3847/1538-4365/ad1aaf
Vahé Petrosian et al, Progéniteurs des sursauts gamma à faible redshift, Les lettres du journal astrophysique (2024). DOI : 10.3847/2041-8213/ad2763