Konstnärens intryck av dammbildning runt en supernovaexplosion. Kredit:ESO/M. Kornmesser
Nytt arbete tittar på att använda maskininlärning för att dechiffrera de tidiga stadierna av supernovaexplosioner genom att rekonstruera ljuset som sänds ut under utbrottet. Forskningen presenterades idag vid National Astronomy Meeting 2022 av Eleonora Parrag, en Ph.D. student vid University of Cardiff.
De mest massiva döende stjärnorna kan producera några av naturens ljusaste fyrverkerier:supernovaexplosioner. Dessa kan användas för att undersöka avstånd i rymden och svara på frågor om vårt universum, samt producera mycket av själva materialet som utgör världen omkring oss.
Fysiken som styr en supernova förändras under de hundratals dagar som gått efter dess explosion; ögonblicksbilder av denna fysik kan fångas i termer av en supernovas spektrum – där ljuset sprids av våglängd på det sätt vi ser färgerna i en regnbåge. Spectra innehåller signaturer av elementen i explosionen och kan avslöja de inblandade förhållandena. Detta är dock en begränsad resurs. Fler spektra skulle ge viktig information om den ständigt utvecklande fysiken kring supernovor och en större förmåga att jämföra med och studera deras populationer över kosmisk tid fram till universums gryning.
Parrags arbete tittar på att fylla i denna saknade information med maskininlärning, algoritmer som lär sig genom att "tränas" på befintliga observationer av hundratals supernovor. De kan konstruera hela artificiella spektra baserat på endast ett fåtal datapunkter som lätt kan mätas från tidigare observerade supernovor. Genom att fylla i luckorna för dessa befintliga datapunkter kan ett spektrum konstrueras för alla tidigare explosioner upp till cirka 200 dagar efter explosionen.
Teamet upptäcker att deras artificiella spektra återger många av de egenskaper som ses i verkliga supernovaexplosioner.
Projektledaren Eleonora Parrag säger att "maskininlärning kan hjälpa oss att hitta mönster och potentiellt till och med nya idéer inom fysiken i de enorma mängder data från supernovor vi kan observera nu och inom överskådlig framtid." Hon tillägger att "det är en riktigt lovande väg att utforska inom astrofysik just nu och jag är väldigt exalterad över vad vi kan upptäcka om supernovor i framtiden."
Ytterligare arbete inom detta område kommer att titta på att tillämpa denna algoritm på alla typer av supernovor, samt att förbättra algoritmen och öka antalet och variationen av supernovor som används i träning. + Utforska vidare
