Ao aplicar um algoritmo de aprendizado de máquina, cientistas do Instituto Niels Bohr, Universidade de Copenhague, desenvolveram um método para classificar todas as explosões de raios gama (GRBs), rápidas explosões altamente energéticas em galáxias distantes, sem a necessidade de encontrar um brilho residual - pelo qual GRBs são atualmente categorizados. Esta descoberta, iniciado pelo primeiro ano de B.Sc. alunos, pode ser a chave para finalmente descobrir as origens dessas explosões misteriosas. O resultado agora está publicado em Astrophysical Journal Letters .

Desde que as explosões de raios gama (GRBs) foram acidentalmente detectadas por satélites da Guerra Fria nos anos 70, a origem dessas explosões rápidas tem sido um quebra-cabeça significativo. Embora muitos astrônomos concordem que GRBs podem ser divididos em rajadas mais curtas (normalmente menos de 1 segundo) e mais longas (até alguns minutos), os dois grupos estão sobrepostos. Pensou-se que explosões mais longas podem estar associadas ao colapso de estrelas massivas, enquanto rajadas mais curtas podem ser causadas pela fusão de estrelas de nêutrons. Contudo, sem a capacidade de separar os dois grupos e identificar suas propriedades, foi impossível testar essas idéias.

Até aqui, só foi possível determinar o tipo de GRB cerca de 1% do tempo, quando um telescópio foi capaz de apontar para o local da explosão com rapidez suficiente para captar a luz residual, chamado de afterglow. Este foi um passo tão crucial que os astrônomos desenvolveram redes mundiais capazes de interromper outros trabalhos e reposicionar grandes telescópios poucos minutos após a descoberta de uma nova explosão. Um GRB foi mesmo detectado pelo Observatório LIGO usando ondas gravitacionais, pelo qual a equipe recebeu o Prêmio Nobel de 2017.

Avanço obtido usando algoritmo de aprendizado de máquina

Agora, cientistas do Instituto Niels Bohr desenvolveram um método para classificar todos os GRBs sem a necessidade de encontrar um brilho residual. O grupo, liderado pelo B.Sc. do primeiro ano Estudantes de física Johann Bock Severin, Christian Kragh Jespersen e Jonas Vinther, aplicou um algoritmo de aprendizado de máquina para classificar GRBs. Eles identificaram uma separação clara entre GRBs longos e curtos. Trabalho deles, realizado sob a supervisão de Charles Steinhardt, trará os astrônomos um passo mais perto de compreender os GRBs.

Essa descoberta pode ser a chave para finalmente descobrir as origens dessas explosões misteriosas. Como Charles Steinhardt, O professor associado do Cosmic Dawn Center do Niels Bohr Institute explica:"Agora que temos dois conjuntos completos disponíveis, podemos começar a explorar as diferenças entre eles. Até aqui, não havia uma ferramenta para fazer isso. "

Do algoritmo ao mapa visual

Em vez de usar um conjunto limitado de estatísticas resumidas, como costumava ser feito até então, os alunos decidiram codificar todas as informações disponíveis sobre GRBs usando o algoritmo de aprendizado de máquina t-SNE. O algoritmo de incorporação de vizinhança estocástica com distribuição t leva dados complexos de alta dimensão e produz um mapa simplificado e visualmente acessível. Ele faz isso sem interferir na estrutura do conjunto de dados. "O que há de único nessa abordagem, "explica Christian Kragh Jespersen, "é que o t-SNE não força a existência de dois grupos. Você deixa os dados falarem por si e dizem como eles devem ser classificados."

Brilhando luz sobre os dados

A preparação do espaço de recursos - a entrada que você dá ao algoritmo - foi a parte mais desafiadora do projeto, diz Johann Bock Severin. Essencialmente, os alunos tiveram que preparar o conjunto de dados de forma que suas características mais importantes se destacassem. "Eu gosto de comparar isso a pendurar seus pontos de dados no teto em uma sala escura, "explica Christian Kragh Jespersen." Nosso principal problema era descobrir de que direção devemos iluminar os dados para tornar as separações visíveis. "

'Passo 0 para entender o GRB'

Os alunos exploraram o algoritmo de aprendizado de máquina t-SNE como parte de seu projeto de primeiro ano, um curso de 1º ano do Bacharelado em Física. "Quando chegamos ao final do curso, ficou claro que tivemos um resultado bastante significativo ", seu supervisor Charles Steinhardt diz. O mapeamento dos alunos do t-SNE divide claramente todos os GRBs do observatório Swift em dois grupos. Mais importante, classifica GRBs que antes eram difíceis de classificar. "Esta é essencialmente a etapa 0 para entender o GRB, "explica Steinhardt." Pela primeira vez, podemos confirmar que GRBs mais curtos e mais longos são, de fato, coisas completamente separadas. "

Sem qualquer base teórica anterior em astronomia, os alunos descobriram uma peça-chave do quebra-cabeça que envolve os GRBs. Daqui, os astrônomos podem começar a desenvolver modelos para identificar as características dessas duas classes distintas.