L'avvento dell'intelligenza artificiale è stato salutato da molti come un punto di svolta per la società, poiché apre un universo di possibilità per migliorare quasi ogni aspetto della nostra vita.
Gli astronomi ora utilizzano l'intelligenza artificiale, letteralmente, per misurare l'espansione del nostro universo.
Due recenti studi condotti da Maria Dainotti, professoressa in visita presso il Centro di Astrofisica del Nevada dell'UNLV e professore assistente presso l'Osservatorio Astronomico Nazionale del Giappone (NAOJ), hanno incorporato più modelli di apprendimento automatico per aggiungere un nuovo livello di precisione alle misurazioni della distanza per i raggi gamma burst (GRB):le esplosioni più luminose e violente dell'universo.
In pochi secondi, i GRB rilasciano la stessa quantità di energia che il nostro sole rilascia durante la sua intera vita. Poiché sono così luminosi, i GRB possono essere osservati a più distanze, anche ai margini dell’universo visibile, e aiutano gli astronomi nella loro ricerca delle stelle più antiche e distanti. Ma, a causa dei limiti della tecnologia attuale, solo una piccola percentuale dei GRB conosciuti possiede tutte le caratteristiche osservative necessarie per aiutare gli astronomi a calcolare la distanza a cui si sono verificati.
Dainotti e i suoi team hanno combinato i dati GRB dell’Osservatorio Neil Gehrels Swift della NASA con molteplici modelli di apprendimento automatico per superare i limiti dell’attuale tecnologia di osservazione e, più precisamente, stimare la vicinanza dei GRB di cui la distanza è sconosciuta. Poiché i GRB possono essere osservati sia a distanza che a distanze relativamente ravvicinate, sapere dove si verificano può aiutare gli scienziati a capire come le stelle si evolvono nel tempo e quanti GRB possono verificarsi in un dato spazio e tempo.
"Questa ricerca spinge avanti la frontiera sia dell'astronomia dei raggi gamma che dell'apprendimento automatico", ha affermato Dainotti. "La ricerca e l'innovazione successive ci aiuteranno a ottenere risultati ancora più affidabili e ci consentiranno di rispondere ad alcune delle domande cosmologiche più urgenti, compresi i primi processi del nostro universo e il modo in cui si è evoluto nel tempo."
L'intelligenza artificiale aumenta i limiti dell'osservazione dello spazio profondo In uno studio, Dainotti e Aditya Narendra, uno studente di dottorato dell'ultimo anno presso l'Università Jagellonica della Polonia, hanno utilizzato diversi metodi di apprendimento automatico per misurare con precisione la distanza dei GRB osservati dal telescopio spaziale Swift UltraViolet/Optical Telescope ( UVOT) e telescopi terrestri, incluso il telescopio Subaru. Le misurazioni si basavano esclusivamente su altre proprietà GRB non correlate alla distanza. La ricerca è stata pubblicata il 23 maggio sull'Astrophysical Journal Letters .
"Il risultato di questo studio è così preciso che possiamo determinare, utilizzando la distanza prevista, il numero di GRB in un dato volume e tempo (chiamato tasso), che è molto vicino alle stime effettive osservate", ha affermato Narendra.
Un altro studio condotto da Dainotti e collaboratori internazionali è riuscito a misurare la distanza dei GRB con l’apprendimento automatico utilizzando i dati dei bagliori residui dello Swift X-ray Telescope (XRT) della NASA provenienti dai cosiddetti GRB lunghi. Si ritiene che i GRB si manifestino in modi diversi. I GRB lunghi si verificano quando una stella massiccia raggiunge la fine della sua vita ed esplode in una spettacolare supernova. Un altro tipo, noto come GRB corti, si verifica quando i resti di stelle morte, come le stelle di neutroni, si fondono gravitazionalmente e si scontrano tra loro.
Dainotti afferma che la novità di questo approccio deriva dall’utilizzo combinato di diversi metodi di apprendimento automatico per migliorare il loro potere predittivo collettivo. Questo metodo, chiamato Superlearner, assegna a ciascun algoritmo un peso i cui valori vanno da 0 a 1, dove ciascun peso corrisponde al potere predittivo di quel singolo metodo.
"Il vantaggio del Superlearner è che la previsione finale è sempre più performante rispetto ai modelli singoli", ha affermato Dainotti. "Superlearner viene utilizzato anche per scartare gli algoritmi meno predittivi."
Questo studio, che è stato pubblicato il 26 febbraio su The Astrophysical Journal, Supplement Series , stima in modo affidabile la distanza di 154 GRB lunghi di cui non si conosce la distanza e aumenta in modo significativo la popolazione di distanze note in questo tipo di burst.
Un terzo studio, pubblicato il 21 febbraio su Astrophysical Journal Letters e guidati dall'astrofisico della Stanford University Vahé Petrosian e Dainotti, hanno utilizzato i dati dei raggi X di Swift per rispondere a domande sconcertanti mostrando che la velocità dei GRB, almeno a piccole distanze relative, non segue la velocità di formazione stellare.
"Ciò apre la possibilità che i GRB lunghi a piccole distanze possano essere generati non dal collasso di stelle massicce ma piuttosto dalla fusione di oggetti molto densi come le stelle di neutroni", ha affermato Petrosian.
Con il supporto del programma Swift Observatory Guest Investigator della NASA (ciclo 19), Dainotti e i suoi colleghi stanno ora lavorando per rendere gli strumenti di apprendimento automatico disponibili al pubblico attraverso un'applicazione web interattiva.
