La figura indica cuán similares son los diferentes GRB entre sí. Los puntos que están más juntos son más similares, y los puntos más alejados son más diferentes. Lo que encontramos es que hay dos grupos distintos, uno naranja y el otro azul. Los puntos naranjas parecen corresponder a GRB "corto", que han sido hipotetizados como producidos por fusiones de estrellas de neutrones, y los puntos azules parecen corresponder a GRB "largo", que en cambio podría ser producido por el colapso de la muerte, estrellas masivas. Crédito:Instituto Niels Bohr
Al aplicar un algoritmo de aprendizaje automático, científicos del Instituto Niels Bohr, Universidad de Copenhague, han desarrollado un método para clasificar todos los estallidos de rayos gamma (GRB), explosiones rápidas de gran energía en galaxias distantes, sin necesidad de encontrar un resplandor, por lo que actualmente se clasifican los GRB. Este avance iniciado por B.Sc. de primer año estudiantes, puede resultar clave para descubrir finalmente los orígenes de estas misteriosas explosiones. El resultado ahora se publica en Cartas de revistas astrofísicas .
Desde que los satélites de la Guerra Fría captaron accidentalmente ráfagas de rayos gamma (GRB) en los años 70, el origen de estas ráfagas rápidas ha sido un enigma significativo. Aunque muchos astrónomos están de acuerdo en que los GRB se pueden dividir en ráfagas más cortas (generalmente menos de 1 segundo) y más largas (hasta unos pocos minutos), los dos grupos se superponen. Se ha pensado que ráfagas más largas podrían estar asociadas con el colapso de estrellas masivas, mientras que las ráfagas más cortas podrían ser causadas por la fusión de estrellas de neutrones. Sin embargo, sin la capacidad de separar los dos grupos y señalar sus propiedades, ha sido imposible probar estas ideas.
Hasta aquí, Solo ha sido posible determinar el tipo de GRB aproximadamente el 1% de las veces, cuando un telescopio pudo apuntar a la ubicación de la explosión lo suficientemente rápido como para captar luz residual, llamado resplandor crepuscular. Este ha sido un paso tan crucial que los astrónomos han desarrollado redes mundiales capaces de interrumpir otros trabajos y volver a apuntar grandes telescopios a los pocos minutos del descubrimiento de una nueva explosión. Un GRB incluso fue detectado por el Observatorio LIGO usando ondas gravitacionales, por lo que el equipo fue galardonado con el Premio Nobel de 2017.
Avance logrado mediante 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 B.Sc. de primer año Los estudiantes de física Johann Bock Severin, Christian Kragh Jespersen y Jonas Vinther, aplicó un algoritmo de aprendizaje automático para clasificar los GRB. Identificaron una clara separación entre GRB largos y cortos. Su trabajo, llevado a cabo bajo la supervisión de Charles Steinhardt, acercará a los astrónomos un paso más a la comprensión de los GRB.
Este avance puede resultar la clave para descubrir finalmente el origen de estas misteriosas explosiones. Como Charles Steinhardt, El profesor asociado del Cosmic Dawn Center del Instituto Niels Bohr explica:"Ahora que tenemos dos juegos completos disponibles, podemos empezar a explorar las diferencias entre ellos. Hasta aquí, no había una herramienta para hacer eso ".
Impresión artística de un estallido de rayos gamma. Crédito:ESA, ilustración de ESA / ECF
Del algoritmo al mapa visual
En lugar de utilizar un conjunto limitado de estadísticas resumidas, como se hacía normalmente hasta entonces, los estudiantes decidieron codificar toda la información disponible en GRB utilizando el algoritmo de aprendizaje automático t-SNE. El algoritmo de incrustación de vecindad estocástica distribuida en t toma datos complejos de alta dimensión 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 haya dos grupos. Dejas que los datos hablen por sí mismos y te digan cómo deben clasificarse".
Iluminando los datos
La preparación del espacio de características (la entrada que le da al algoritmo) fue la parte más desafiante del proyecto, dice Johann Bock Severin. Esencialmente, los estudiantes tenían que preparar el conjunto de datos de tal manera que se destacaran sus características más importantes. "Me gusta compararlo con colgar los puntos de datos del techo en una habitación oscura, ", explica Christian Kragh Jespersen." Nuestro principal problema era averiguar en qué dirección deberíamos arrojar luz sobre los datos para hacer visibles las separaciones ".
'Paso 0 para comprender los GRB'
Los estudiantes exploraron el algoritmo de aprendizaje automático t-SNE como parte de su proyecto de primer año, un curso de 1er año en la Licenciatura en Física. "Cuando llegamos al final del curso, estaba claro que obtuvimos un resultado bastante significativo ", dice su supervisor Charles Steinhardt. El mapeo de los estudiantes del t-SNE divide claramente todos los GRB del observatorio Swift en dos grupos. En tono rimbombante, clasifica los GRB que anteriormente eran difíciles de clasificar. "Este es esencialmente el paso 0 para comprender los GRB, "explica Steinhardt." Por primera vez, podemos confirmar que los GRB más cortos y más largos son cosas completamente separadas ".
Sin ningún conocimiento teórico previo en astronomía, los estudiantes han descubierto una pieza clave del rompecabezas que rodea a los GRB. De aquí, los astrónomos pueden comenzar a desarrollar modelos para identificar las características de estas dos clases separadas.
