Tillkomsten av AI har av många hyllats som en samhällsomvandlare, eftersom den öppnar ett universum av möjligheter att förbättra nästan alla aspekter av våra liv.
Astronomer använder nu AI, bokstavligen, för att mäta expansionen av vårt universum.
Två nya studier ledda av Maria Dainotti, en gästprofessor vid UNLV:s Nevada Center for Astrophysics och biträdande professor vid National Astronomical Observatory of Japan (NAOJ), inkorporerade flera maskininlärningsmodeller för att lägga till en ny nivå av precision till avståndsmätningar för gammastrålning bursts (GRB) – de mest lysande och våldsamma explosionerna i universum.
På bara några sekunder frigör GRB:er samma mängd energi som vår sol släpper under hela sin livstid. Eftersom de är så ljusa kan GRB observeras på flera avstånd – inklusive vid kanten av det synliga universum – och hjälpa astronomer i deras strävan att jaga de äldsta och mest avlägsna stjärnorna. Men på grund av den nuvarande teknikens begränsningar har bara en liten andel av kända GRB alla observationsegenskaper som behövs för att hjälpa astronomer att beräkna hur långt bort de inträffade.
Dainotti och hennes team kombinerade GRB-data från NASA:s Neil Gehrels Swift-observatorium med flera maskininlärningsmodeller för att övervinna begränsningarna med nuvarande observationsteknologi och, mer exakt, uppskatta närheten till GRB:er för vilka avståndet är okänt. Eftersom GRB kan observeras både långt borta och på relativt nära avstånd, kan kunskap om var de förekommer hjälpa forskare att förstå hur stjärnor utvecklas över tiden och hur många GRB som kan förekomma i ett givet rum och tid.
"Denna forskning driver fram gränsen inom både gammastrålastronomi och maskininlärning," sa Dainotti. "Uppföljningsforskning och innovation kommer att hjälpa oss att uppnå ännu mer tillförlitliga resultat och göra det möjligt för oss att svara på några av de mest angelägna kosmologiska frågorna, inklusive de tidigaste processerna i vårt universum och hur det har utvecklats över tiden."
AI ökar gränserna för djuprymdobservation I en studie använde Dainotti och Aditya Narendra, en sistaårsdoktorand vid Polens Jagiellonian University, flera maskininlärningsmetoder för att exakt mäta avståndet för GRB:er som observerats av Space Swift UltraViolet/Optical Telescope ( UVOT) och markbaserade teleskop, inklusive Subaru-teleskopet. Mätningarna baserades enbart på andra, icke avståndsrelaterade GRB-egenskaper. Forskningen publicerades den 23 maj i Astrophysical Journal Letters .
"Resultatet av den här studien är så exakt att vi kan bestämma antalet GRBs i en given volym och tid med hjälp av förutsagt avstånd (kallad hastighet), vilket är mycket nära de faktiska observerade uppskattningarna", säger Narendra.
En annan studie ledd av Dainotti och internationella samarbetspartners har varit framgångsrika i att mäta GRB-avstånd med maskininlärning med hjälp av data från NASA:s Swift X-ray Telescope (XRT) efterglöd från vad som kallas långa GRB. GRB tros uppstå på olika sätt. Långa GRB händer när en massiv stjärna når slutet av sitt liv och exploderar i en spektakulär supernova. En annan typ, känd som korta GRBs, inträffar när resterna av döda stjärnor, såsom neutronstjärnor, smälter samman gravitationsmässigt och kolliderar med varandra.
Dainotti säger att det nya med detta tillvägagångssätt kommer från att använda flera maskininlärningsmetoder tillsammans för att förbättra deras kollektiva förutsägelsekraft. Den här metoden, kallad Superlearner, tilldelar varje algoritm en vikt vars värden sträcker sig från 0 till 1, där varje vikt motsvarar den prediktiva kraften för den singularmetoden.
"Fördelen med Superlearner är att den slutliga förutsägelsen alltid är mer presterande än de singulära modellerna," sa Dainotti. "Superlearner används också för att förkasta de algoritmer som är minst prediktiva."
Denna studie, som publicerades den 26 februari i The Astrophysical Journal, Supplement Series , uppskattar på ett tillförlitligt sätt avståndet för 154 långa GRB för vilka avståndet är okänt och ökar signifikant populationen av kända avstånd bland denna typ av skurar.
En tredje studie, publicerad 21 februari i Astrophysical Journal Letters och ledd av Stanford University astrofysiker Vahé Petrosian och Dainotti, använde Swift röntgendata för att svara på förbryllande frågor genom att visa att GRB-hastigheten – åtminstone på små relativa avstånd – inte följer takten för stjärnbildning.
"Detta öppnar möjligheten att långa GRB på små avstånd kan genereras inte av en kollaps av massiva stjärnor utan snarare av sammansmältning av mycket täta objekt som neutronstjärnor," sa Petrosian.
Med stöd från NASA:s Swift Observatory Guest Investigator-program (cykel 19) arbetar Dainotti och hennes kollegor nu för att göra maskininlärningsverktygen allmänt tillgängliga via en interaktiv webbapplikation.
