17. juli 2020

Kategorisering af gammaglimt: Studerende står bag videnskabeligt gennembrud

Gammaglimt:

Ved at anvende en ”machine-learning” algoritme, har forskere ved Niels Bohr Institutet, Københavns Universitet, udviklet en metode til at klassificere gammaglimt (GRBs). Gammaglimt er kortvarige, voldsomme eksplosioner i fjerne galakser, og metoden gør, at forskerne ikke længere behøver at lede efter en såkaldt ”efterglød” – det efterfølgende lys fra glimtet. Gennembruddet, som blev igangsat af en gruppe af førsteårs bachelorstuderende, kan vise sig at være nøglen til endelig at forstå disse mystiske, astronomiske lysglimt. Resultatet er nu publiceret i Astrophysical Journal Letters.

Figuren viser, hvor ens forskellige GRBs faktisk ser ud. Punkter, som er tæt sammen er mere ens, og punkter, som er fjernt fra hinanden, er mere forskellige. Der fremkommer dog to distinkt forskellige grupper, en orange og en blå. De orange punkter korresponderer med ”korte” GRBs, hvor hypotesen er, at de stammer fra sammenstød af neutronstjerner. De blå punkter, som lader til at korrespondere med ”lange” GRBs, stammer sandsynligvis fra store, døende stjerner.

Lige siden de første gammaglimt (Engelsk: GRBs – Gamma-ray bursts) blev opdaget ved et tilfælde af satellitter under den kolde krig i 1970erne, har disse hurtige eksplosioner med meget høj energi været et mysterium i astronomien. Selvom mange astronomer er enige om, at GRBs kan deles op i kortere (mindre end 1 sekund) og længere (op til 5 minutter) gammaglimt, så er der alligevel et overlap mellem de to grupper. Man har ment, at længere GRBs kunne være forårsaget af store stjerners kollaps, mens kortere GRBs kunne være et resultat af kollisioner mellem neutronstjerner. Man har imidlertid ikke været i stand til at adskille de to grupper og definere deres egenskaber mere præcist, og det har umuliggjort en grundig afprøvning af teorien.

Indtil nu har det kun været muligt, at definere hvilken type GRB, der er tale om i 1% af tilfældene, nemlig når et teleskop var i stand til, at afgøre et glimts nøjagtige placering så hurtigt, at det efterfølgende lys, eftergløden, kunne ses. Dette trin i det videnskabelige arbejde har været så kritisk, at astronomer har udviklet verdensomspændende netværk, som afbryder arbejdet og omstiller store teleskoper på få minutter, for at nå at opfange et nyopdaget gammaglimt. Et nu berømt gammaglimt blev endda opfanget af LIGO observatoriet ved anvendelsen af gravitationsbølger, og teamet bag arbejdet fik Nobelprisen for opdagelsen i 2017.

Gennembruddet lykkedes ved hjælp af machine learning algoritme

Nu har forskere ved Niels Bohr Institutet udviklet en metode til netop at foretage denne kritiske klassificering, men uden at behøve at lede efter eftergløden. Gruppen, anført af førsteårs bachelorstuderende Johann Bock Severin, Christian Kragh Jespersen og Jonas Vinther, anvendte en machine learning algoritme til at klassificere GRBs. Ved at anvende denne innovative metode, blev de i stand til at identificere en klar adskillelse af lange og korte GRBs. Deres arbejde, udført under vejledning af Charles Steinhardt, lektor ved Cosmic DAWN Center ved Niels Bohr Institutet, vil bringe astronomer et vigtigt skridt nærmere mod at forstå gammaglimt.

Gennembruddet kan vise sig at være nøglen til endelig at finde oprindelsen til de mystiske glimt. Charles Steinhardt forklarer: ”Nu da vi har to komplette sæt til rådighed, kan vi begynde at undersøge forskellene mellem dem. Indtil nu har der ikke eksisteret et værktøj til at gøre dette.”

Kunstners gengivelse af et gammaglimt. Credit: ESA, illustration by ESA/ECF

Fra algoritme til visuelt kort

Holdet af studerende besluttede at kode al tilgængelig information om GRBs, ved at anvende machine learning algoritmen t-SNE, i stedet for at anvende et begrænset sæt af data fra statistikkerne, som det hidtil har været gjort. Den såkaldte t-distributed Stochastic neighborhood embedding algoritme, skaber en forenklet, visuelt tilgængelig kortlægning ud fra komplekse, højdimensionale data. Og metoden skaber endvidere forenklingen uden at ændre på den oprindelige struktur i datasættet. ”Det unikke ved denne metode er, at t-SNE ikke fremtvinger to forskellige grupperinger af GRBs. De oprindelige data taler så at sige for sig selv, og fortæller os, hvordan gammaglimtene skal klassificeres”, forklarer Christian Kragh Jespersen.

Hvordan man kaster lys på et datasæt

Forberedelsen af det, man kalder ”the feature space” – det input man giver algoritmen – var den mest udfordrende del af projektet, siger Johann Bock Severin. De studerende var nødt til at præparere datasættet på en måde, så de mest fremtrædende karakteristika stod frem. ”Man kan måske sammenligne det med at hænge datapunkterne op i loftet i et mørkt rum”, siger Christian Kragh Jespersen. ”Vores hovedproblem var, at finde ud af fra hvilken vinkel vi skulle belyse vores data, for at adskillelsen og dermed kategoriseringen af gammaglimtene blev synlig”.

”Trin 0 i at forstå gammaglimt”

De studerende studerede t-SNE algoritmen som en del af deres førsteårs projekt, et førsteårs kursus i bacheloruddannelsen i fysik. ”Da vi var nået til afslutningen af kurset, stod det klart, at vi havde et ganske betydningsfuldt resultat”, siger deres vejleder, Charles Steinhardt. ”De studerendes kortlægning med t-SNE deler utvetydigt alle gammaglimt fra Swift Observatoriet ind i to grupper. Og, meget vigtigt, det klassificerer gammaglimt, som tidligere var vanskelige at klassificere. Det her resultat er helt enkelt trin 0 i at forstå gammaglimt”, forklarer han yderligere. ”For første gang kan vi bekræfte, at kortere og længere gammaglimt virkelig er to helt forskellige ting”.

Uden noget forhåndskendskab til astronomi udviklede de studerende en vigtig brik i det puslespil, det er at forstå GRBs. Med dette udgangspunkt kan astronomer begynde at udvikle modeller til at identificere karakteristika, der kendetegner de to klasser af GRBs.

Hele den videnskabelige artikel ‘An Unambiguous Separation of Gamma-Ray Bursts into Two Classes from Prompt Emission Alone’ er tilgængelig her: https://arxiv.org/pdf/2005.13554.pdf eller https://iopscience.iop.org/article/10.3847/2041-8213/ab964d (officiel udgiver)