Impresión artística de la formación de polvo alrededor de una explosión de supernova. Crédito:ESO/M. Kornmesser
El nuevo trabajo analiza el uso del aprendizaje automático para descifrar las primeras etapas de las explosiones de supernovas mediante la reconstrucción de la luz emitida durante el estallido. La investigación fue presentada hoy en la Reunión Nacional de Astronomía 2022 por Eleonora Parrag, Ph.D. estudiante de la Universidad de Cardiff.
Las estrellas moribundas más masivas pueden producir algunos de los fuegos artificiales más brillantes de la naturaleza:explosiones de supernova. Estos pueden usarse para sondear distancias en el espacio y responder preguntas sobre nuestro universo, además de producir gran parte del material que constituye el mundo que nos rodea.
La física que gobierna una supernova cambia en los cientos de días posteriores a su explosión; Las instantáneas de esta física se pueden capturar en términos del espectro de una supernova, donde la luz se dispersa por longitud de onda en la forma en que vemos los colores en un arco iris. Los espectros contienen firmas de los elementos en la explosión y pueden revelar las condiciones involucradas. Sin embargo, este es un recurso limitado. Más espectros proporcionarían información importante sobre la física en constante evolución que rodea a las supernovas y una mayor capacidad para comparar y estudiar sus poblaciones a lo largo del tiempo cósmico hasta el amanecer del universo.
El trabajo de Parrag busca completar esta información faltante con aprendizaje automático, algoritmos que aprenden al ser "entrenados" en observaciones existentes de cientos de supernovas. Pueden construir espectros artificiales completos basados en solo unos pocos puntos de datos que se miden fácilmente a partir de supernovas observadas previamente. Completar los vacíos para estos puntos de datos existentes permite construir un espectro para cualquier explosión pasada hasta alrededor de 200 días después de la explosión.
El equipo encuentra que sus espectros artificiales reproducen muchas de las características que se ven en las explosiones de supernovas reales.
El líder del proyecto, Eleonora Parrag, dice que "el aprendizaje automático puede ayudarnos a encontrar patrones y potencialmente incluso nuevas ideas en física en las enormes cantidades de datos de las supernovas que podemos observar ahora y en el futuro previsible". Agrega que "es una vía realmente prometedora para explorar en astrofísica en este momento y estoy muy emocionada por lo que podemos descubrir sobre las supernovas en el futuro".
El trabajo adicional en esta área buscará aplicar este algoritmo a todo tipo de supernovas, así como mejorar el algoritmo y aumentar la cantidad y variedad de supernovas utilizadas en el entrenamiento. La estrella que sobrevivió a una supernova
