جدا gamma-ray bursts: دانش آموزان را مهم دستیابی به موفقیت

با استفاده از یک ماشین-آموزش الگوریتم دانشمندان در موسسه نیلز بور در دانشگاه کپنهاگ توسعه یک روش برای طبقه بندی همه gamma-ray bursts (GRBs) سریع, بسیار, پر انرژی, انفجار در کهکشان های دور بدون نیاز به پیدا کردن یک تاب - که GRBs در حال حاضر طبقه بندی شده است. این دستیابی به موفقیت آغاز شده توسط سال اول B. Sc. دانش آموزان ممکن است کلید در نهایت کشف ریشه های این انفجار مرموز. نتیجه این است که در حال حاضر منتشر شده در مجله اختر فیزیک نامه.

همیشه از gamma-ray bursts (GRBs) به طور تصادفی برداشت توسط جنگ سرد ماهواره در 70s منشاء این انفجار سریع بوده و قابل توجهی پازل. اگر چه بسیاری از ستاره شناسان معتقدند که GRBs می توان به کوتاه تر (به طور معمول کمتر از 1 ثانیه) و طولانی (تا چند ساعت) انفجار دو گروه با هم تداخل دارند. آن فکر شده است که دیگر انفجار ممکن است در ارتباط با سقوط ستاره عظیم در حالی که کوتاه تر از انفجار ممکن است عوض شود ناشی از ادغام نوترون ستاره. اما بدون توانایی برای جدا کردن دو گروه با دقت اشاره کردن و خواص آنها, آن غیر ممکن است برای تست این ایده ها.

تا کنون تنها ممکن است برای تعیین نوع یک GRB حدود 1% از زمان هنگامی که یک تلسکوپ قادر به نقطه در پشت سر محل به سرعت به اندازه کافی به انتخاب کنید تا باقی مانده نور به نام تاب. این شده است یک گام بسیار مهم است که ستاره شناسان در سراسر جهان توسعه یافته شبکه قادر به ایجاد وقفه در کار دیگر و repointing بزرگ تلسکوپ در عرض چند دقیقه از کشف جدید پشت سر هم. یک GRB بود و حتی شناسایی شده توسط LIGO رصدخانه با استفاده از امواج گرانشی است که برای این تیم اهدا شد 2017 جایزه نوبل.

دستیابی به موفقیت دست آمده با استفاده از دستگاه یادگیری الگوریتم

در حال حاضر دانشمندان در موسسه نیلز بور توسعه یک روش برای طبقه بندی همه GRBs بدون نیاز به پیدا کردن یک تاب. این گروه به رهبری اول سال B. Sc. دانشجویان فیزیک یوهان باک سورین مسیحی Kragh rachel notley و جوناس Vinther اعمال یک ماشین-الگوریتم یادگیری به طبقه بندی GRBs. آنها شناسایی تمیز جدایی بین کوتاه و بلند GRB است. کار خود را انجام تحت نظارت چارلز Steinhardt را ستاره شناسان یک گام نزدیک تر به درک GRB است.

این دستیابی به موفقیت ممکن است کلید این در نهایت به کشف ریشه های این انفجار مرموز. به عنوان چارلز Steinhardt, دانشیار در سپیده دم کیهانی مرکز نیلز بور موسسه توضیح میدهد: "در حال حاضر که ما دو مجموعه های کامل در دسترس ما می توانید شروع به بررسی تفاوت های بین آنها را. تا کنون وجود نداشته است یک ابزار برای انجام این کار است."

به جای استفاده از مجموعه ای محدود از خلاصه آمار به عنوان به طور معمول انجام می شود تا پس از آن دانش آموزان تصمیم گرفت برای رمزگذاری تمام اطلاعات موجود در GRB را با استفاده از یادگیری ماشین الگوریتم t-SNE. T-توزیع تصادفی محله تعبیه الگوریتم طول می کشد بالا پیچیده بعدی داده و تولید ساده و بصری در دسترس نقشه. این کار را بدون تداخل با ساختار داده ها. "نکته منحصر به فرد در مورد این رویکرد" توضیح می دهد که مسیحی Kragh rachel notley "است که t-SNE نیست زور وجود دارد به دو گروه تقسيم شدند. به شما اجازه داده برای خود صحبت می کنند و به شما بگویم که چگونه باید آن را طبقه بندی شده."

نور درخشان بر روی داده ها

آماده سازی از ویژگی های فضای ورودی شما به الگوریتم - شد بیشتر به چالش کشیدن بخشی از این پروژه می گوید: یوهان باک سورین. اصولا دانش آموزان به حال آماده سازی مجموعه داده در چنین راهی که آن را مهم ترین امکانات خواهد به ایستادگی کردن. "من می خواهم به مقایسه آن خود را حلق آویز نقاط داده ها از سقف در یک اتاق تاریک" توضیح می دهد که مسیحی Kragh rachel notley. "مشکل اصلی ما بود که به شکل از چه جهت ما باید درخشش نور بر روی داده ها را جداسازی قابل مشاهده است."

دانشجویان کاوش t-SNE ماشین-الگوریتم یادگیری به عنوان بخشی از 1سال پروژه یک 1سال دوره کارشناسی فیزیک است. "در آن زمان ما به پایان این دوره روشن بود ما تا به حال کاملا یک نتیجه مهم" خود سرپرست چارلز Steinhardt می گوید. دانشجویان نقشه برداری از t-SNE پاک تقسیم تمام GRB را از سویفت رصدخانه به دو گروه. آن طبقه بندی GRB را که قبلا به آنها دشوار است برای طبقه بندی. "این است که اساسا گام 0 در درک GRB را" توضیح می دهد که Steinhardt. "برای اولین بار ما می تواند تایید کند که کوتاه تر و طولانی تر GRB را در واقع چیز کاملا مجزا."

بدون قبل از هر نظری در زمینه ستاره شناسی, دانش آموزان کشف یک قطعه کلیدی از پازل اطراف GRB است. از اینجا ستاره شناسان می توانید شروع به توسعه مدل برای شناسایی ویژگی های این دو کلاس های جداگانه.

###

سلب مسئولیت: AAAS و EurekAlert! مسئول صحت اخبار منتشر شده به EurekAlert! با کمک موسسات و یا برای استفاده از هر گونه اطلاعات از طریق EurekAlert سیستم.