La figura indica quanto diversi GRB siano simili tra loro. I punti più vicini tra loro sono più simili, e i punti più lontani sono più diversi. Quello che troviamo è che ci sono due gruppi distinti, uno arancione e l'altro blu. I puntini arancioni sembrano corrispondere a GRB "corto", che è stato ipotizzato essere prodotto da fusioni di stelle di neutroni, e i punti blu sembrano corrispondere a GRB "lungo", che potrebbe invece essere prodotto dal crollo del morire, stelle massicce. Credito:Istituto Niels Bohr
Applicando un algoritmo di apprendimento automatico, scienziati dell'Istituto Niels Bohr, Università di Copenaghen, hanno sviluppato un metodo per classificare tutti i lampi di raggi gamma (GRB), rapide esplosioni altamente energetiche in galassie lontane, senza bisogno di trovare un bagliore residuo, in base al quale i GRB sono attualmente classificati. Questa svolta, iniziato dal primo anno di B.Sc. studenti, potrebbe rivelarsi fondamentale per scoprire finalmente le origini di queste misteriose esplosioni. Il risultato è ora pubblicato in Lettere per riviste astrofisiche .
Da quando i lampi di raggi gamma (GRB) sono stati rilevati accidentalmente dai satelliti della Guerra Fredda negli anni '70, l'origine di queste rapide esplosioni è stata un enigma significativo. Sebbene molti astronomi concordino sul fatto che i GRB possono essere suddivisi in raffiche più brevi (in genere meno di 1 secondo) e più lunghe (fino a pochi minuti), i due gruppi si sovrappongono. Si è pensato che esplosioni più lunghe potrebbero essere associate al collasso di stelle massicce, mentre scoppi più brevi potrebbero invece essere causati dalla fusione di stelle di neutroni. Però, senza la possibilità di separare i due gruppi e individuare le loro proprietà, è stato impossibile testare queste idee.
Finora, è stato possibile determinare il tipo di GRB solo circa l'1% delle volte, quando un telescopio è stato in grado di puntare la posizione dell'esplosione abbastanza rapidamente da raccogliere la luce residua, chiamato un bagliore. Questo è stato un passo così cruciale che gli astronomi hanno sviluppato reti mondiali in grado di interrompere altri lavori e riorientare grandi telescopi entro pochi minuti dalla scoperta di una nuova esplosione. Un GRB è stato persino rilevato dall'Osservatorio LIGO utilizzando onde gravitazionali, per il quale la squadra è stata insignita del Premio Nobel 2017.
Innovazione ottenuta utilizzando l'algoritmo di apprendimento automatico
Ora, gli scienziati del Niels Bohr Institute hanno sviluppato un metodo per classificare tutti i GRB senza dover trovare un bagliore residuo. Il gruppo, guidato dal primo anno di B.Sc. Studenti di fisica Johann Bock Severin, Christian Kragh Jespersen e Jonas Vinther, applicato un algoritmo di apprendimento automatico per classificare i GRB. Hanno identificato una netta separazione tra GRB lunghi e corti. Il loro lavoro, svolto sotto la supervisione di Charles Steinhardt, avvicinerà gli astronomi alla comprensione dei GRB.
Questa svolta potrebbe rivelarsi la chiave per scoprire finalmente le origini di queste misteriose esplosioni. Come Charles Steinhardt, Il professore associato presso il Cosmic Dawn Center del Niels Bohr Institute spiega, "Ora che abbiamo a disposizione due set completi, possiamo iniziare ad esplorare le differenze tra loro. Finora, non c'era uno strumento per farlo."
Rappresentazione artistica di un lampo di raggi gamma. Credito:ESA, illustrazione di ESA/ECF
Dall'algoritmo alla mappa visiva
Invece di utilizzare un insieme limitato di statistiche riepilogative, come di solito si faceva fino ad allora, gli studenti hanno deciso di codificare tutte le informazioni disponibili sui GRB utilizzando l'algoritmo di apprendimento automatico t-SNE. L'algoritmo di inclusione del quartiere stocastico distribuito in t prende dati complessi ad alta dimensionalità e produce una mappa semplificata e visivamente accessibile. Lo fa senza interferire con la struttura del set di dati. "La cosa unica di questo approccio, " spiega Christian Kragh Jespersen, "è che t-SNE non costringe a esserci due gruppi. Lasci che i dati parlino da soli e ti dicano come dovrebbero essere classificati."
Fare luce sui dati
La preparazione dello spazio delle funzionalità, l'input che fornisci all'algoritmo, è stata la parte più impegnativa del progetto, dice Johann Bock Severin. Essenzialmente, gli studenti hanno dovuto preparare il dataset in modo tale che le sue caratteristiche più importanti risaltassero. "Mi piace paragonarlo all'appendere i tuoi punti dati al soffitto in una stanza buia, " spiega Christian Kragh Jespersen. "Il nostro problema principale era capire da quale direzione dovevamo far luce sui dati per rendere visibili le separazioni".
'Fase 0 nella comprensione dei GRB'
Gli studenti hanno esplorato l'algoritmo di apprendimento automatico t-SNE come parte del loro progetto del 1° anno, corso di I anno del Corso di Laurea in Fisica. "Quando siamo arrivati alla fine del corso, era chiaro che avevamo ottenuto un risultato piuttosto significativo", dice il loro supervisore Charles Steinhardt. La mappatura degli studenti del t-SNE divide in modo netto tutti i GRB dall'osservatorio Swift in due gruppi. È importante sottolineare che classifica i GRB che in precedenza erano difficili da classificare. "Questo è essenzialmente il passaggio 0 nella comprensione dei GRB, " spiega Steinhardt. "Per la prima volta, possiamo confermare che i GRB più corti e più lunghi sono davvero cose completamente separate."
Senza alcun precedente background teorico in astronomia, gli studenti hanno scoperto un pezzo chiave del puzzle che circonda i GRB. Da qui, gli astronomi possono iniziare a sviluppare modelli per identificare le caratteristiche di queste due classi separate.
