La llegada de la IA ha sido aclamada por muchos como un punto de inflexión en la sociedad, ya que abre un universo de posibilidades para mejorar casi todos los aspectos de nuestras vidas.
Los astrónomos ahora están utilizando la IA, literalmente, para medir la expansión de nuestro universo.
Dos estudios recientes dirigidos por Maria Dainotti, profesora visitante del Centro de Astrofísica de Nevada de la UNLV y profesora asistente del Observatorio Astronómico Nacional de Japón (NAOJ), incorporaron múltiples modelos de aprendizaje automático para agregar un nuevo nivel de precisión a las mediciones de distancia de rayos gamma. Explosiones (GRB):las explosiones más luminosas y violentas del universo.
En tan solo unos segundos, los GRB liberan la misma cantidad de energía que libera nuestro sol durante toda su vida. Debido a que son tan brillantes, los GRB pueden observarse a múltiples distancias (incluso en el borde del universo visible) y ayudan a los astrónomos en su búsqueda de las estrellas más antiguas y distantes. Pero, debido a las limitaciones de la tecnología actual, sólo un pequeño porcentaje de los GRB conocidos tienen todas las características de observación necesarias para ayudar a los astrónomos a calcular a qué distancia ocurrieron.
Dainotti y sus equipos combinaron datos de GRB del Observatorio Swift Neil Gehrels de la NASA con múltiples modelos de aprendizaje automático para superar las limitaciones de la tecnología de observación actual y, más precisamente, estimar la proximidad de GRB cuya distancia se desconoce. Debido a que los GRB se pueden observar tanto a distancias lejanas como relativamente cercanas, saber dónde ocurren puede ayudar a los científicos a comprender cómo evolucionan las estrellas con el tiempo y cuántos GRB pueden ocurrir en un espacio y tiempo determinados.
"Esta investigación avanza la frontera tanto en la astronomía de rayos gamma como en el aprendizaje automático", dijo Dainotti. "La investigación y la innovación de seguimiento nos ayudarán a lograr resultados aún más confiables y nos permitirán responder algunas de las preguntas cosmológicas más urgentes, incluidos los procesos más tempranos de nuestro universo y cómo ha evolucionado con el tiempo".
La IA aumenta los límites de la observación del espacio profundo En un estudio, Dainotti y Aditya Narendra, estudiante de doctorado de último año en la Universidad Jagellónica de Polonia, utilizaron varios métodos de aprendizaje automático para medir con precisión la distancia de los GRB observados por el telescopio óptico/ultravioleta Swift ( UVOT) y telescopios terrestres, incluido el Telescopio Subaru. Las mediciones se basaron únicamente en otras propiedades de GRB no relacionadas con la distancia. La investigación fue publicada el 23 de mayo en la Astrophysical Journal Letters. .
"El resultado de este estudio es tan preciso que podemos determinar utilizando la distancia prevista el número de GRB en un volumen y tiempo determinados (llamado tasa), lo cual está muy cerca de las estimaciones reales observadas", dijo Narendra.
Otro estudio dirigido por Dainotti y colaboradores internacionales ha logrado medir la distancia de los GRB con aprendizaje automático utilizando datos del Telescopio Swift de rayos X (XRT) de la NASA sobre los resplandores de lo que se conocen como GRB largos. Se cree que los GRB ocurren de diferentes maneras. Los GRB largos ocurren cuando una estrella masiva llega al final de su vida y explota en una espectacular supernova. Otro tipo, conocido como GRB cortos, ocurre cuando los restos de estrellas muertas, como las estrellas de neutrones, se fusionan gravitacionalmente y chocan entre sí.
Dainotti dice que la novedad de este enfoque proviene del uso conjunto de varios métodos de aprendizaje automático para mejorar su poder predictivo colectivo. Este método, llamado Superlearner, asigna a cada algoritmo un peso cuyos valores oscilan entre 0 y 1, correspondiendo cada peso al poder predictivo de ese método singular.
"La ventaja del Superlearner es que la predicción final siempre tiene mejor rendimiento que los modelos singulares", dijo Dainotti. "Superlearner también se utiliza para descartar los algoritmos que son menos predictivos."
Este estudio, que se publicó el 26 de febrero en The Astrophysical Journal, Supplement Series , estima de manera confiable la distancia de 154 GRB largos cuya distancia se desconoce y aumenta significativamente la población de distancias conocidas entre este tipo de ráfagas.
Un tercer estudio, publicado el 21 de febrero en la Astrophysical Journal Letters y dirigido por el astrofísico de la Universidad de Stanford Vahé Petrosian y Dainotti, utilizó datos de rayos X Swift para responder preguntas desconcertantes al mostrar que la tasa de GRB, al menos a distancias relativas pequeñas, no sigue la tasa de formación estelar.
"Esto abre la posibilidad de que los GRB largos a distancias pequeñas puedan ser generados no por el colapso de estrellas masivas sino por la fusión de objetos muy densos como estrellas de neutrones", dijo Petrosian.
Con el apoyo del programa de Investigadores Invitados del Observatorio Swift de la NASA (ciclo 19), Dainotti y sus colegas ahora están trabajando para que las herramientas de aprendizaje automático estén disponibles públicamente a través de una aplicación web interactiva.
