Находящийся на орбите Земли с 2004 года спутник НАСА Swift Gamma Ray Burst Explorer, часто называемый просто Swift, изучает гамма-всплески из далеких галактик. Он наблюдает их, каталогизирует и за прошедшие годы добился важных успехов в понимании этих высокоэнергетических явлений.
Недавно в двух различных исследованиях, проведенных под руководством Марии Дайнотти из Национальной астрономической обсерватории Японии (NAOJ) в Невадском центре астрофизики Университета Лос-Анджелеса, были использованы различные модели машинного обучения, чтобы добавить новый уровень точности к результатам, полученным с помощью Swift.
Объединив данные телескопа на спутнике с искусственным интеллектом, удалось сделать большой шаг вперед в определении характеристик GRB (Gamma Ray Bursts), самых ярких и бурных всплесков во Вселенной. Благодаря машинному обучению удалось преодолеть ограничения современных технологий наблюдений и точно оценить расстояния до различных GRB.
Гамма-всплески — это чрезвычайно энергичные взрывы, происходящие в далеких галактиках, в результате которых за несколько секунд выделяется больше энергии, чем Солнце высвобождает за всю свою жизнь. Яркость GRB поистине огромна: во время пика взрыва один GRB может быть ярче, чем вся галактика, в которой он произошел. Благодаря этому GRB видны даже за миллиарды световых лет.
Поскольку GRB можно наблюдать как на больших, так и на относительно близких расстояниях, знание места их возникновения может помочь ученым понять, как звезды эволюционируют с течением времени и сколько GRB может произойти в данном пространстве и времени.
Кроме того, наблюдение за GRB и их послесвечением (остаточным свечением, которое может длиться от нескольких часов до нескольких недель) в различных частотных диапазонах (рентгеновском, ультрафиолетовом, оптическом, инфракрасном и радио) помогает понять структуру Вселенной в больших масштабах, включая распределение галактик и межзвездного вещества. Изучая свет от GRB, проходящих через различные регионы космоса, ученые могут проследить эволюцию космических структур в этих регионах с течением времени.
Поэтому GRB являются ценными инструментами для изучения космического расширения. Однако из-за ограничений нынешних технологий лишь небольшой процент известных GRB обладает всеми наблюдательными характеристиками, необходимыми для того, чтобы астрономы могли вычислить расстояние, на котором они произошли. Например, видимая яркость может меняться в зависимости от угла наблюдения, поскольку GRB испускают гамма-лучи узкими струями, а не во всех направлениях.
В настоящее время только 26 % GRB, наблюдаемых спутником Swift, позволяют точно определить расстояние, на котором они происходят (точнее, их красное смещение, смещение в красную сторону относительно нас), из-за инструментальных ограничений. Чтобы решить эту проблему, Дайнотти и её команда разработали статистическую модель машинного обучения, которая оценивает красное смещение GRB, наблюдая оптическое свечение, следующее за начальным событием.
Затем они использовали эту модель для точного измерения расстояния GRB, наблюдаемых ультрафиолетовым/оптическим телескопом Swift (UVOT) и наземными телескопами, включая телескоп Subaru. Рассматриваемые измерения были основаны исключительно на других свойствах GRB, не связанных с расстоянием. Этот метод оказался очень точным, с сильной корреляцией между расчетными и наблюдаемыми красными смещениями. Модель позволила рассчитать частоту наблюдений GRB в различные космические эпохи, обнаружив расхождение между скоростью звездообразования и частотой GRB для красных смещений меньше 1.
Затем исследователи использовали различные алгоритмы для определения красного смещения GRB на основе характеристик их остаточного свечения, таких как продолжительность и интенсивность излучения.
Применив эти методы к существующему каталогу GRB, составленному Swift, выборка GRB с известными оценками красного смещения была увеличена почти вдвое, что значительно улучшило наши возможности по изучению этих событий. На выборке из 147 GRB с известными красными смещениями модель оказалась способной точно предсказывать расстояния.
Результаты подтвердили предыдущие наблюдения о несоответствии между скоростями образования GRB и звездообразования, а также выводы опубликованного в феврале исследования Вахе Петросяна и Дайнотти, которые предположили, что более близкие к нам GRB могут возникать не только в результате коллапса массивных звезд, но и в результате слияния компактных звезд.
В другом исследовании, проведенном Дайнотти с международными коллегами, удалось измерить расстояние до GRB с помощью машинного обучения, используя данные рентгеновского телескопа Swift (XRT) об остаточных вспышках от так называемых длинных гамма-всплесков (LGRB). На самом деле считается, что GRB происходят по-разному:
- Длинные GRB происходят, когда массивная звезда достигает конца своей жизни и взрывается в эффектной сверхновой.
- Короткие GRB возникают, когда остатки мертвых звезд, компактные объекты, такие как нейтронные звезды, гравитационно сливаются и сталкиваются друг с другом.
Дайнотти говорит, что новизна этого подхода заключается в совместном использовании различных методов машинного обучения для улучшения их предсказательной способности. Этот метод, названный SuperLearner, присваивает каждому алгоритму вес, значения которого варьируются от 0 до 1, где каждый вес соответствует предсказательной силе этого отдельного метода.
Дайнотти пояснила: "Преимущество SuperLearner заключается в том, что итоговый прогноз всегда оказывается лучше, чем у отдельных моделей. SuperLearner также используется для отбрасывания менее предсказуемых алгоритмов".
Таким образом, в ходе исследования удалось достоверно оценить ранее неизвестное расстояние между 154 длинными GRB, значительно увеличив популяцию известных расстояний между этими типами GRB. Теперь, при поддержке программы приглашенных исследователей обсерватории Swift НАСА (цикл 19), Дайнотти и ее коллеги работают над тем, чтобы сделать инструменты машинного обучения общедоступными с помощью интерактивного веб-приложения.
Диаграммы рассеяния предсказанного/наблюдаемого красного цвета для обучающего набора из 147 GRB (слева) и для тестового набора из 17 GRB (справа), демонстрирующие хорошее воспроизведение наблюдений алгоритмами ИИ. Качественные первоначальные результаты обусловлены процедурой SuperLearner