学生在分离伽玛射线爆裂时产生临界突破

伽玛射线爆发艺术家印象

艺术家对伽马射线爆裂的印象。信用:ESA,ESA / ECF的插图

通过应用机器学习算法,哥本哈根大学尼尔斯Bohr Institute的科学家开发了一种对遥远星系中的所有伽马射线爆发(GRBS)进行分类的方法,而无需找到余辉 -目前将哪个grbs分类。这一突破,由第一年的B.Sc。学生,可以证明最终发现这些神秘爆发的起源的关键。结果现已发布天体物理学杂志通讯》上

自从70年代的冷战卫星不小心捡起伽马射线爆发(GRBS)以来,这些快速爆发的起源是一个重要的难题。虽然许多天文学家都同意GRBS可以分为短(通常小于1秒)并且更长(最多几分钟)突发,两组是重叠的。有人认为,突发较长的爆发可能与大规模恒星的崩溃相关联,而较短的突发可能是由中子恒星的合并引起的。但是,没有能力分离两组并确定其性质,这一直是不可能测试这些想法。

到目前为止,只有大约1%的时间能够确定GRB的类型,即望远镜能够足够快地指向爆发的位置,并捕捉到被称为“余辉”的残余光。这是如此关键的一步,以至于天文学家们已经开发出了全球范围的网络,能够在发现新暴的几分钟内中断其他工作,并重新定位大型望远镜。一个伽马暴甚至被LIGO天文台使用引力波,团队被授予2017年诺贝尔奖。

机器学习算法取得突破

现在,Niels Bohr Institute的科学家制定了一种在不需要找到余辉的情况下对所有GRB进行分类的方法。该集团由第一年的B.SC领导。物理学生约翰博克斯·弗洛伊丁,基督教克拉格·杰斯伦和乔纳·葡萄酒,应用了机器学习算法来分类GRBS。它们确定了长而短的GRB之间的清洁分离。在Charles Steinhardt的监督下进行的工作将使天文学家更接近理解GRB的一步。

GRB分离机器学习

这一突破可能是最终发现这些神秘爆炸起源的关键。尼尔斯·玻尔研究所宇宙黎明中心副教授查尔斯·斯坦哈特解释说:“既然我们有了两套完整的设备,我们就可以开始探索它们之间的区别了。到目前为止,还没有一种工具可以做到这一点。”

从算法到可视地图

学生们决定使用机器学习算法t-SNE对GRB的所有可用信息进行编码,而不是像以前那样使用有限的汇总统计数据。的t分布随机邻域嵌入算法利用复杂的高维数据生成简化的、直观的地图。这样做不会干扰数据集的结构。Christian Kragh Jespersen解释道:“这种方法的独特之处在于,t-SNE并不强迫玩家分成两组。你让数据自己说话,告诉你应该如何分类。”

在数据上闪耀光芒

Johann Bock Severin说,您为算法提供了算法的输入 - 是该项目最具挑战性的部分。基本上,学生必须以这样的方式准备数据集,这使得其最重要的功能将脱颖而出。“我喜欢将它与黑暗房间里的天花板悬挂在悬挂中的数据点,”基督教Kragh jespersen解释说。“我们的主要问题是弄清楚我们应该在数据上发光的指示来使分离可见。”

理解GRB的第0步”

学生们探索了t-SNE机器学习算法作为他们的1年项目,物理学学士学位的第一年课程。“当我们到达课程结束时,很清楚我们有相当重大的结果”,他们的主管Charles Steinhardt说。学生的T-SNE映射干净地划分所有GRB斯威夫特天文台分为两组。重要的是,它可以分类以前很难分类的GRB。“这本质上是理解GRB的第0步,”斯坦哈特解释说。“这是我们第一次确认,较短的GRB和较长的GRB确实是完全分开的东西。”

如果没有任何现有的天文学背景,学生们已经发现了GRB周围的拼图的关键件。从这里,天文学家可以开始开发模型以识别这两个单独的类的特征。

参考文献:《伽马射线暴从瞬时发射分为两类的明确分离》,作者:Christian K. Jespersen、Johann B. Severin、Charles L. Steinhardt、Jonas Vinther、Johan P. U. Fynbo、Jonatan Selsing和Darach Watson, 2020年6月15日,Astrophyiscal杂志信件
2041 - 8213 . DOI: 10.3847 / / ab964d
arxiv:2005.13554.

第一个发表评论在“学生在分离伽马射线爆发时取决于突破”

留下你的评论

电子邮件地址是可选的。如果提供的话,您的电子邮件不会发布或共享。