Genom att tillämpa en maskininlärningsalgoritm, forskare vid Niels Bohr Institute, Köpenhamns universitet, har utvecklat en metod för att klassificera alla gammastrålningskurar (GRB), snabba högenergiska explosioner i avlägsna galaxer, utan att behöva hitta en efterglöd – efter vilken GRB för närvarande kategoriseras. Detta genombrott, initierad av förstaårs kandidatexamen. studenter, kan visa sig vara nyckeln till att äntligen upptäcka ursprunget till dessa mystiska utbrott. Resultatet är nu publicerat i Astrofysiska tidskriftsbrev .

Ända sedan gammastrålningskurar (GRB) oavsiktligt plockades upp av kalla krigets satelliter på 70-talet, ursprunget till dessa snabba utbrott har varit ett betydande pussel. Även om många astronomer är överens om att GRB kan delas in i kortare (vanligtvis mindre än 1 sekund) och längre (upp till några minuter) skurar, de två grupperna överlappar varandra. Man har trott att längre skurar kan vara förknippade med kollapsen av massiva stjärnor, medan kortare skurar istället kan orsakas av sammanslagning av neutronstjärnor. Dock, utan möjlighet att separera de två grupperna och fastställa deras egenskaper, det har varit omöjligt att testa dessa idéer.

Än så länge, det har bara varit möjligt att bestämma typen av en GRB ungefär 1 % av tiden, när ett teleskop kunde peka på explosionsplatsen tillräckligt snabbt för att fånga upp restljus, kallas efterglöd. Detta har varit ett så avgörande steg att astronomer har utvecklat världsomspännande nätverk som kan avbryta annat arbete och rikta om stora teleskop inom några minuter efter upptäckten av en ny explosion. En GRB upptäcktes till och med av LIGO-observatoriet med hjälp av gravitationsvågor, för vilket laget tilldelades 2017 års Nobelpris.

Genombrott uppnått med hjälp av maskininlärningsalgoritm

Nu, forskare vid Niels Bohr Institute har utvecklat en metod för att klassificera alla GRB utan att behöva hitta en efterglöd. Gruppen, leds av förstaårs B.Sc. Fysikstudenter Johann Bock Severin, Christian Kragh Jespersen och Jonas Vinther, tillämpade en maskininlärningsalgoritm för att klassificera GRB:er. De identifierade en ren separation mellan långa och korta GRB:er. Deras arbete, utförs under överinseende av Charles Steinhardt, kommer att föra astronomer ett steg närmare att förstå GRB:s.

Detta genombrott kan visa sig vara nyckeln till att äntligen upptäcka ursprunget till dessa mystiska utbrott. Som Charles Steinhardt, Docent vid Cosmic Dawn Center vid Niels Bohr Institute förklarar, "Nu när vi har två kompletta uppsättningar tillgängliga, vi kan börja utforska skillnaderna mellan dem. Än så länge, det hade inte funnits något verktyg för att göra det."

Från algoritm till visuell karta

Istället för att använda en begränsad uppsättning sammanfattande statistik, som man vanligtvis gjorde fram till dess, studenterna bestämde sig för att koda all tillgänglig information om GRB:er med hjälp av maskininlärningsalgoritmen t-SNE. Den t-distribuerade Stokastiska grannskapets inbäddningsalgoritm tar komplexa högdimensionella data och producerar en förenklad och visuellt tillgänglig karta. Det gör det utan att störa strukturen på datamängden. "Det unika med detta tillvägagångssätt, " förklarar Christian Kragh Jespersen, "är att t-SNE inte tvingar att det finns två grupper. Du låter uppgifterna tala för sig själva och berättar hur de ska klassificeras."

Lyser på data

Förberedelserna av funktionsutrymmet - den input du ger algoritmen - var den mest utmanande delen av projektet, säger Johann Bock Severin. Väsentligen, eleverna var tvungna att förbereda datamängden på ett sådant sätt att dess viktigaste egenskaper skulle sticka ut. "Jag gillar att jämföra det med att hänga dina datapunkter från taket i ett mörkt rum, " förklarar Christian Kragh Jespersen. "Vårt största problem var att ta reda på från vilket håll vi skulle belysa data för att göra separationerna synliga."

"Steg 0 för att förstå GRB:s"

Eleverna utforskade t-SNE maskininlärningsalgoritmen som en del av deras förstaårsprojekt, en 1:a årskurs i fysik kandidatexamen. "När vi kom till slutet av kursen, det var tydligt att vi hade ett ganska betydande resultat", säger deras handledare Charles Steinhardt. Studenternas kartläggning av t-SNE delar rent alla GRB från Swift-observatoriet i två grupper. Viktigt, den klassificerar GRB:s som tidigare var svåra att klassificera. "Detta är i huvudsak steg 0 för att förstå GRB:s, " förklarar Steinhardt. "För första gången, vi kan bekräfta att kortare och längre GRB verkligen är helt separata saker."

Utan någon tidigare teoretisk bakgrund inom astronomi, eleverna har upptäckt en nyckelbit i pusslet kring GRB:s. Härifrån, astronomer kan börja utveckla modeller för att identifiera egenskaperna hos dessa två separata klasser.