doi.org/10.3847/2041-8213/ad4970
Credibilidade: 989
#Raios Gama #GRB
O machine learning revoluciona a medição de distâncias na astronomia, fornecendo estimativas precisas de explosões de raios gama e auxiliando na exploração cósmica.
O advento da inteligência artificial (IA) foi aclamado por muitos como um divisor de águas social, pois abre um universo de possibilidades para melhorar quase todos os aspectos das nossas vidas.
Os astrônomos estão agora usando IA, literalmente, para medir a expansão do nosso universo.
Precisão pioneira em medições cósmicas Dois estudos recentes (esse e esse) liderados por Maria Dainotti, professora visitante do Centro de Astrofísica de Nevada da UNLV e professora assistente do Observatório Astronômico Nacional do Japão (NAOJ), incorporaram vários modelos de machine learning para adicionar um novo nível de precisão à distância medições de explosões de raios gama (GRBs) – as explosões mais luminosas e violentas do universo.
Em apenas alguns segundos, os GRBs liberam a mesma quantidade de energia que nosso sol libera durante toda a sua vida.
Por serem tão brilhantes, os GRBs podem ser observados a múltiplas distâncias – incluindo nos limites do universo visível – e ajudam os astrônomos na sua busca pelas estrelas mais antigas e mais distantes.
Mas, devido aos limites da tecnologia atual, apenas uma pequena percentagem de GRBs conhecidos possui todas as características observacionais necessárias para ajudar os astrônomos a calcular a que distância ocorreram.
Avançando na pesquisa de explosões de raios gama com IA
Dainotti e suas equipes combinaram dados GRB do Observatório Neil Gehrels Swift da NASA com vários modelos de machine learning para superar as limitações da tecnologia observacional atual e, mais precisamente, estimar a proximidade de GRBs para os quais a distância é desconhecido.
Como as GRBs podem ser observadas tanto a distâncias distantes como a distâncias relativamente próximas, saber onde ocorreram pode ajudar os cientistas a compreender como as estrelas evoluem ao longo do tempo e quantas GRBs podem ocorrer num determinado espaço e tempo.
“Esta pesquisa avança a fronteira tanto na astronomia de raios gama quanto no machine learning”, disse Dainotti.
“A investigação e a inovação subsequentes ajudar-nos-ão a alcançar resultados ainda mais fiáveis e permitir-nos-ão responder a algumas das questões cosmológicas mais prementes, incluindo os primeiros processos do nosso universo e como este evoluiu ao longo do tempo.”
IA aumenta os limites da observação do espaço profundo
Em um estudo, Dainotti e Aditya Narendra, estudante de doutorado do último ano da Universidade Jaguelônica da Polônia, usaram vários métodos de machine learning para medir com precisão a distância de GRBs observados pelo telescópio espacial Swift UltraViolet/Optical Telescope (UVOT) e telescópios terrestres, incluindo o Telescópio Subaru.
As medições foram baseadas exclusivamente em outras propriedades GRB não relacionadas à distância.
A pesquisa foi publicada em 23 de maio no Astrophysical Journal Letters.[1] “O resultado deste estudo é tão preciso que podemos determinar, usando a distância prevista, o número de GRBs em um determinado volume e tempo (chamado de taxa), que está muito próximo das estimativas reais observadas”, disse Narendra.
Superlearner
Melhorando o poder preditivo em astronomia: Outro estudo liderado por Dainotti e colaboradores internacionais teve sucesso na medição da distância GRB com machine learning usando dados do Swift X-ray Telescope (XRT) da NASA após brilhos do que são conhecidos como GRBs longos.
Acredita-se que os GRBs ocorram de diferentes maneiras.
GRBs longos acontecem quando uma estrela massiva chega ao fim de sua vida e explode em uma supernova espetacular.
Outro tipo, conhecido como GRBs curtos, ocorre quando os restos de estrelas mortas, como estrelas de nêutrons, se fundem gravitacionalmente e colidem uns com os outros.
Dainotti diz que a novidade desta abordagem vem do uso conjunto de vários métodos de machine learning para melhorar seu poder preditivo coletivo.
Este método, denominado Superlearner, atribui a cada algoritmo um peso cujos valores variam de 0 a 1, sendo cada peso correspondente ao poder preditivo daquele método singular.
“A vantagem do Superlearner é que a previsão final tem sempre melhor desempenho do que os modelos singulares”, disse Dainotti.
“O Superlearner também é usado para descartar os algoritmos menos preditivos.” Este estudo, publicado em 26 de fevereiro no The Astrophysical Journal, Supplement Series,[2] estima de forma confiável a distância de 154 GRBs longos para os quais a distância é desconhecida e aumenta significativamente a população de distâncias conhecidas entre este tipo de explosão.
Respondendo a perguntas intrigantes sobre a formação de GRBs
Um terceiro estudo, publicado em 21 de fevereiro no Astrophysical Journal Letters[3] e liderado pelos astrofísicos da Universidade de Stanford, Vahé Petrosian e Dainotti, usou dados de raios X do Swift para responder a perguntas intrigantes, mostrando que a taxa de GRB – pelo menos a pequenas distâncias relativas – não acompanha a taxa de formação de estrelas.
“Isto abre a possibilidade de que GRBs longos a pequenas distâncias possam ser gerados não pelo colapso de estrelas massivas, mas sim pela fusão de objetos muito densos, como estrelas de nêutrons”, disse Petrosian.
Com o apoio do programa Swift Observatory Guest Investigator da NASA (Ciclo 19), Dainotti e seus colegas estão agora trabalhando para disponibilizar publicamente as ferramentas de machine learning por meio de um aplicativo da web interativo.
Publicado em 14/06/2024 19h52
Artigo original:
Estudos originais:
- https://doi.org/10.3847/2041-8213/ad4970
- https://doi.org/10.3847/1538-4365/ad1aaf
- https://doi.org/10.3847/2041-8213/ad2763