2020年7月20日
通过应用一种机器学习算法,科学家尼尔斯·波尔研究所,哥本哈根大学已经开发出一种方法分类所有伽马射线爆发(GRBs),快速高能爆炸在遥远的星系,而不需要找到一个余辉,伽马射线爆目前分类。
这个突破,由一年级B.Sc.学生,可能最后发现这些神秘的起源的关键。结果已经发表在天体物理学杂志通讯》上。
自从伽马暴(GRBs)被冷战不小心拿起卫星在70年代,这些快速的起源一直是一个重要的难题。尽管许多天文学家认为grb可分为短(通常小于1秒)和时间(几分钟)破裂,两组是重叠的。
它被认为更长的时间可能与大质量恒星的崩溃,而较短的合并造成的中子星。但是,没有能力独立的两组和确定它们的属性,它已经不可能测试这些想法。
迄今为止,才有可能确定伽马线暴的类型大约1%的时间,当望远镜能够指向破裂位置足够迅速地拿起残光,称为余辉。
这是很关键的一步,天文学家已经开发出全球网络能够打断其他工作和重嵌大型望远镜在几分钟内发现一个新的破裂。一个伽马线暴甚至LIGO天文台使用探测到引力波,团队被授予2017年的诺贝尔奖。
突破通过使用机器学习算法
现在,尼尔斯·波尔研究所的科学家们已经开发出一种方法分类所有伽马射线爆而不需要找到一个余辉。组,由一年级物理学士学生约翰烈性黑啤酒塞维林基督教Kragh Jespersen和乔纳斯用于机器学习算法应用于分类伽马射线爆。
他们发现了一个干净的长和短伽马线暴的分开。他们的工作,查尔斯·斯坦哈特的监督下进行,将天文学家伽马线暴的进一步理解。
这项突破可能的关键最后发现这些神秘的起源。查尔斯·斯坦哈特,副教授宇宙黎明尼尔斯·波尔研究所的中心解释说,“现在我们有两个成套提供,我们可以开始探索它们之间的差异。到目前为止,没有一种工具。”
从可视映射算法
而不是使用一组有限的汇总统计,就像通常在那之前,学生们决定编码所有可用信息t-SNE伽马线暴的使用机器学习算法。t-distributed随机邻域嵌入算法需要复杂的高维数据和产生一个简化和视觉访问地图。
它没有干扰数据集的结构。解释说,“这种方法的独特基督教Kragh Jespersen,“是t-SNE并不强迫两组。你让数据自己说话,告诉你如何分类。”
闪亮的数据
特征空间的准备——输入你给算法——最具挑战性的项目的一部分,约翰·博克塞维林说。从本质上讲,学生们准备数据集以这样一种方式,其最重要的特性将脱颖而出。
“我喜欢把它比作从天花板挂你的数据点在一个黑暗的房间,“解释基督教Kragh Jespersen。“我们的主要问题是找出从什么方向我们应该上发光数据分离可见。”
“理解伽马线暴的步骤0”
学生们探索t-SNE机器学习算法作为第一年项目的一部分,一个1年物理学学士课程。“我们必须结束的课程,很显然我们有相当显著的结果”,他们的主管查尔斯·斯坦哈特说。
学生的映射t-SNE干净所有伽马线暴的斯威夫特天文台分为两组。重要的是,它将伽马线暴的,之前是很难分类。“这基本上在理解伽马线暴的步骤0,”斯坦哈特解释道。“第一次,我们可以确认短和长GRB的确实是完全独立的东西。”
之前没有任何理论背景在天文学中,学生们发现了一个伽马线暴周围的谜题的关键。从这里,天文学家可以开始开发模型来确定这两个独立的类的特征。
来源:https://www.ku.dk/english/