Al aplicar un algoritmo de aprendizaje automático, los científicos del Instituto Niels Bohr, Universidad de Copenhague, han desarrollado un método para clasificar todas las explosiones de rayos gamma GRB, explosiones rápidas altamente energéticas en galaxias distantes, sin necesidad de encontrar un resplandor crepuscular- por el cual los GRB se clasifican actualmente. Este avance, iniciado por estudiantes de B.Sc. de primer año, puede ser clave para descubrir finalmente los orígenes de estas misteriosas explosiones. El resultado ahora se publica en Letras del diario astrofísico .
Desde que los satélites de la Guerra Fría recogieron accidentalmente los estallidos de rayos gamma GRB en los años 70, el origen de estos estallidos rápidos ha sido un enigma significativo. Aunque muchos astrónomos coinciden en que los GRB se pueden dividir en más cortos generalmente menos deRáfagas de 1 segundo y más largas hasta unos minutos, los dos grupos se superponen. Se ha pensado que las explosiones más largas podrían estar asociadas con el colapso de estrellas masivas, mientras que las explosiones más cortas podrían ser causadas por la fusión de estrellas de neutronesSin embargo, sin la capacidad de separar los dos grupos y determinar sus propiedades, ha sido imposible probar estas ideas.
Hasta ahora, solo ha sido posible determinar el tipo de GRB aproximadamente el 1% del tiempo, cuando un telescopio pudo apuntar a la ubicación de la explosión lo suficientemente rápido como para captar la luz residual, llamada resplandor residual.Un paso tan crucial que los astrónomos han desarrollado redes mundiales capaces de interrumpir otro trabajo y volver a colocar grandes telescopios a los pocos minutos del descubrimiento de una nueva explosión. Incluso el Observatorio LIGO detectó un GRB utilizando ondas gravitacionales, por lo que el equipo recibió el premio 2017.Premio Nobel.
Avance logrado usando el algoritmo de aprendizaje automático
Ahora, los científicos del Instituto Niels Bohr han desarrollado un método para clasificar todos los GRB sin necesidad de encontrar un resplandor. El grupo, dirigido por Johann Bock Severin, Christian Kragh Jespersen y Jonas Vinther, estudiantes de primer año de B.Sc.Física.aplicaron un algoritmo de aprendizaje automático para clasificar los GRB. Identificaron una separación clara entre los GRB largos y cortos. Su trabajo, llevado a cabo bajo la supervisión de Charles Steinhardt, acercará a los astrónomos a comprender los GRB.
Este avance puede ser la clave para descubrir finalmente los orígenes de estas explosiones misteriosas. Como explica Charles Steinhardt, profesor asociado en el Centro del Amanecer Cósmico del Instituto Niels Bohr, "ahora que tenemos dos juegos completos disponibles, podemos comenzar a explorarlas diferencias entre ellos. Hasta ahora, no había habido una herramienta para hacer eso "
Del algoritmo al mapa visual
En lugar de utilizar un conjunto limitado de estadísticas de resumen, como se hacía normalmente hasta entonces, los estudiantes decidieron codificar toda la información disponible en GRB usando el algoritmo de aprendizaje automático t-SNE. El algoritmo de incrustación de vecindario estocástico distribuido en t toma un alto complejodatos dimensionales y produce un mapa simplificado y visualmente accesible. Lo hace sin interferir con la estructura del conjunto de datos. "Lo único de este enfoque", explica Christian Kragh Jespersen, "es que t-SNE no obliga a que existados grupos. Dejas que los datos hablen por sí mismos y te digan cómo deben clasificarse ".
Luz brillante en los datos
Johann Bock Severin dijo que la preparación del espacio de funciones, la entrada que le da al algoritmo, fue la parte más difícil del proyecto. Esencialmente, los estudiantes tuvieron que preparar el conjunto de datos de tal manera que sus funciones más importantes"Me gustaría compararlo con colgar sus puntos de datos del techo en una habitación oscura", explica Christian Kragh Jespersen. "Nuestro principal problema era averiguar desde qué dirección debemos iluminar los datos para hacer queseparaciones visibles "
"Paso 0 para comprender los GRB"
Los estudiantes exploraron el algoritmo de aprendizaje automático t-SNE como parte de su proyecto de 1er año, un curso de 1er año en el Bachillerato de Física ". Para cuando llegamos al final del curso, estaba claro que teníamos bastanteun resultado significativo ", dice su supervisor Charles Steinhardt. El mapeo de los estudiantes del t-SNE divide limpiamente todos los GRB del observatorio Swift en dos grupos. Es importante destacar que clasifica los GRB que antes eran difíciles de clasificar." Este es esencialmente el paso 0para comprender los GRB ", explica Steinhardt." Por primera vez, podemos confirmar que los GRB más cortos y más largos son cosas completamente separadas ".
Sin antecedentes teóricos previos en astronomía, los estudiantes han descubierto una pieza clave del rompecabezas que rodea a los GRB. A partir de aquí, los astrónomos pueden comenzar a desarrollar modelos para identificar las características de estas dos clases separadas.
Fuente de la historia :
Materiales proporcionado por Universidad de Copenhague . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :