Создан метод классификации гамма-всплесков без необходимости искать послесвечение

Ученые из университета Копенгагена разработали метод классификации всех гамма-всплесков (GRB), быстрых высокоэнергетических взрывов в далеких галактиках, без необходимости находить послесвечение. Данный прорыв может оказаться ключом к окончательному раскрытию происхождения этих загадочных взрывов, сообщает портал Рhys.org.

С тех пор, как гамма-всплески (GRB) были случайно обнаружены спутниками Холодной войны в 70-х годах прошлого века, происхождение этих быстрых всплесков стало загадкой для ученых всего мира. Хотя многие астрономы согласны с тем, что гамма-всплески можно разделить на короткие (обычно менее 1 секунды) и длинные (до нескольких минут), эти две группы перекрываются. Считалось, что более длинные всплески могут быть связаны с коллапсом массивных звезд, тогда как более короткие всплески могут быть вызваны слиянием нейтронных звезд. Однако без возможности разделить две группы и точно определить их свойства, было невозможно проверить эти идеи.

До настоящего времени определить тип GRB смогли только в 1% случаев, когда телескоп указал точку взрыва достаточно быстро, чтобы уловить остаточный свет, называемый послесвечение. Это был настолько важный шаг, что астрономы разработали всемирные сети, способные прервать другую работу и переназначить большие телескопы в течение нескольких минут после обнаружения нового взрыва. Одна GRB была даже обнаружена обсерваторией LIGO с использованием гравитационных волн, за что команда получила Нобелевскую премию в 2017 году.

Теперь ученые из института Нильса Бора (входит в состав университета Копенгагена) разработали метод классификации всех гамма-всплесков без необходимости искать послесвечение. Они определили четкое разделение между длинными и короткими GRB, и их работа приблизит астрономов к пониманию природы GRB. Данный прорыв может оказаться ключом к окончательному раскрытию происхождения этих таинственных взрывов. Как объясняет Чарльз Стейнхардт, доцент института Нильса Бора: «Теперь, когда у нас есть два полных набора, мы можем начать исследовать различия между ними. До сих пор у нас не было инструмента для этого».

Вместо того, чтобы использовать ограниченный набор сводных статистических данных, как это обычно делалось до сих пор, студенты решили использовать алгоритм машинного обучения t-SNE, предоставив ему всю имеющуюся информацию о GRB. Алгоритм встраивания t-распределенных стохастических окрестностей берет сложные многомерные данные и создает упрощенную и визуально доступную карту. Это происходит без вмешательства в структуру набора данных. Уникальность этого подхода в том, что t-SNE не заставляет существовать две группы. Вы позволяете данным говорить сами за себя и сообщаете лишь, как их следует классифицировать.

По словам Иоганна Бока Северина, подготовка пространства функций – входных данных, которые вы даете алгоритму, – была самой сложной частью проекта. По сути, студенты должны были подготовить набор данных таким образом, чтобы выделялись его наиболее важные особенности. «Мне нравится сравнивать это с подвешиванием ваших точек данных с потолка в темной комнате», – объясняет Кристиан Краг Джесперсен. «Наша главная проблема заключалась в том, чтобы выяснить, в каком направлении мы должны проливать свет на данные и сделать в итоге разделение видимым».

Студенты обучили нейросеть t-SNE в рамках своего 1-го курса бакалавриата физики. «Когда мы добрались до конца курса, стало ясно, что мы получили довольно значительный результат», – говорит их научный руководитель Чарльз Стейнхардт. Картографирование студентов t-SNE четко делит все GRB, зафиксированные обсерваторией Swift, на две группы. Важно отметить, что он классифицирует GRB, которые ранее было трудно классифицировать. «По сути, сделан шаг 0 в понимании GRB», – резюмировали авторы разработки. С этого момента астрономы могут начать разрабатывать модели для определения характеристик двух отдельных классов GRB.