Kosmiskt språng: NASA:s Swift-satellit och AI avslöjar avståndet till de mest avlägsna gammablixtarna

by Albert
Swift, som illustreras här, är ett samarbete mellan NASA:s Goddard Space Flight Center i Greenbelt, Maryland, Penn State i University Park, Los Alamos National Laboratory i New Mexico och Northrop Grumman Innovation Systems i Dulles, Virginia. Andra partners är University of Leicester och Mullard Space Science Laboratory i Storbritannien, Brera-observatoriet i Italien och den italienska rymdstyrelsen. Kredit: NASA:s Goddard Space Flight Center/Chris Smith (KBRwyle)

Många har hyllat AI som en samhällelig spelförändrare, eftersom det öppnar ett universum av möjligheter att förbättra nästan alla aspekter av våra liv.

Astronomer använder nu AI, bokstavligen, för att mäta universums expansion.

I två nyligen genomförda studier som leddes av Maria Dainotti, gästprofessor vid UNLV:s Nevada Center for Astrophysics och biträdande professor vid National Astronomical Observatory of Japan (NAOJ), användes flera maskininlärningsmodeller för att öka precisionen i avståndsmätningarna för gammablixtar (GRB) – de mest lysande och våldsamma explosionerna i universum.

På bara några sekunder släpper GRB:er ut samma mängd energi som vår sol släpper ut under hela sin livstid. Eftersom de är så ljusstarka kan GRB:er observeras på flera olika avstånd – även i utkanten av det synliga universum – och hjälper astronomerna i deras jakt på de äldsta och mest avlägsna stjärnorna. Men på grund av den nuvarande teknikens begränsningar är det bara en liten andel av de kända GRB:erna som har alla de observationsegenskaper som krävs för att astronomerna ska kunna beräkna hur långt bort de inträffade.

Dainotti och hennes team kombinerade GRB-data från NASA:s Neil Gehrels Swift Observatory med flera maskininlärningsmodeller för att övervinna begränsningarna i den nuvarande observationstekniken och mer exakt uppskatta närheten till GRB:er vars avstånd är okänt. Eftersom GRB:er kan observeras både långt borta och på relativt nära avstånd kan kunskapen om var de inträffar hjälpa forskarna att förstå hur stjärnor utvecklas över tid och hur många GRB:er som kan inträffa under en given tid och plats.

”Den här forskningen flyttar fram gränserna inom både gammastrålningsastronomi och maskininlärning”, säger Dainotti. ”Uppföljande forskning och innovation kommer att hjälpa oss att uppnå ännu mer tillförlitliga resultat och göra det möjligt för oss att besvara några av de mest angelägna kosmologiska frågorna, inklusive de tidigaste processerna i vårt universum och hur det har utvecklats över tid.”

I en studie använde Dainotti och Aditya Narendra, som är doktorand vid Jagiellonian University i Polen, flera maskininlärningsmetoder för att exakt mäta avståndet till GRB:er som observerats med rymdsonden Swift UltraViolet/Optical Telescope (UVOT) och markbaserade teleskop, däribland 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 med hjälp av det förutspådda avståndet kan bestämma antalet GRB:er i en given volym och tid (den så kallade frekvensen), vilket ligger mycket nära de faktiska observerade uppskattningarna”, säger Narendra.

Artist's conception som visar kombinationen av AI-modellering och NASA:s Swift-satellit. Kredit: Maria Dainotti

Artist’s conception som visar kombinationen av AI-modellering och NASA:s Swift-satellit. Kredit: Maria Dainotti

En annan studie ledd av Dainotti och internationella medarbetare har lyckats 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:er tros uppstå på olika sätt. Långa GRB inträffar när en massiv stjärna når slutet av sitt liv och exploderar i en spektakulär supernova. En annan typ, som kallas korta GRB, inträffar när resterna av döda stjärnor, t.ex. neutronstjärnor, smälter samman gravitationellt och kolliderar med varandra.

Dainotti säger att det nya i detta tillvägagångssätt kommer från att använda flera maskininlärningsmetoder tillsammans för att förbättra deras kollektiva prediktiva kraft. Denna metod, som kallas Superlearner, tilldelar varje algoritm en vikt vars värden sträcker sig från 0 till 1, där varje vikt motsvarar den enskilda metodens prediktiva kraft.

”Fördelen med Superlearner är att den slutliga prediktionen alltid är mer effektiv än de enskilda modellerna”, säger Dainotti. ”Superlearner används också för att sortera bort de algoritmer som är minst prediktiva.”

Den här studien, som publicerades den 26 februari i The Astrophysical Journal, Supplement Series, uppskattar på ett tillförlitligt sätt avståndet för 154 långa GRB:er där avståndet är okänt och ökar avsevärt antalet kända avstånd för den här typen av explosioner.

Svar på förbryllande frågor om bildandet av GRB

I en tredje studie, som publicerades den 21 februari i Astrophysical Journal Letters och leddes av astrofysikern Vahé Petrosian och Dainotti från Stanford University, användes Swift X-ray-data för att besvara förbryllande frågor genom att visa att GRB-frekvensen – åtminstone på små relativa avstånd – inte följer stjärnbildningens hastighet.

”Detta öppnar för möjligheten att långa GRB på små avstånd kan genereras inte genom en kollaps av massiva stjärnor utan snarare genom fusion av mycket täta objekt som neutronstjärnor”, säger Petrosian.

Med stöd från NASA:s Swift Observatory Guest Investigator-program (Cycle 19) arbetar Dainotti och hennes kollegor nu med att göra maskininlärningsverktygen tillgängliga för allmänheten genom en interaktiv webbapplikation.

Ytterligare information: Maria Giovanna Dainotti et al, Gamma-Ray Bursts as Distance Indicators by a Statistical Learning Approach, The Astrophysical Journal Letters (2024). DOI: 10.3847/2041-8213/ad4970

Maria Giovanna Dainotti et al, Inferring the Redshift of More than 150 GRBs with a Machine-learning Ensemble Model, The Astrophysical Journal Supplement Series (2024). DOI: 10.3847/1538-4365/ad1aaf

Vahé Petrosian et al, Progenitors of Low-redshift Gamma-Ray Bursts, The Astrophysical Journal Letters (2024). DOI: 10.3847/2041-8213/ad2763

Related Articles

Leave a Comment