通过应用机器学习算法，哥本哈根大学尼尔斯波尔研究所的科学家们开发了一种方法，可以对所有伽马射线爆发(GRBs)进行分类，这些伽马射线爆发是遥远星系中快速高能量的爆炸，而不需要寻找余辉——目前GRBs是根据余辉进行分类的。这项由本科一年级学生发起的突破，可能会成为最终发现这些神秘爆炸起源的关键。这个结果现在发表在《天体物理学杂志通讯》上。

 

自从70年代冷战时期的卫星意外地捕捉到伽马暴(GRBs)以来，这些快速爆发的起源一直是一个重大的谜团。虽然许多天文学家同意grb可以分为较短(一般小于1秒)和较长(多至几分钟)的爆发，但这两组是重叠的。人们一直认为，较长的爆发可能与大质量恒星的坍缩有关，而较短的爆发可能是中子星合并造成的。然而，如果不能区分这两个群体并确定它们的性质，就不可能验证这些想法。

 

到目前为止，只有1%的几率可以确定GRB的类型，杏耀因为望远镜能够快速地对准爆炸位置，并收集到被称为余辉的余光。这是如此重要的一步，以至于天文学家们已经发展出了一个全球性的网络，能够在发现新爆发的几分钟内中断其他工作，并重新对准大型望远镜。LIGO天文台甚至利用引力波探测到了一次伽马射线爆，该团队因此获得了2017年诺贝尔奖。

 

利用机器学习算法取得突破

 

现在，尼尔斯·玻尔研究所的科学家们开发了一种不需要寻找余辉就能对所有grb进行分类的方法。该小组由物理学士一年级学生Johann Bock Severin, Christian Kragh Jespersen和Jonas Vinther领导，应用了一种机器学习算法来分类GRBs。他们在长GRB和短GRB之间明确区分。他们的工作在查尔斯·斯坦哈特的监督下进行，这将使天文学家对伽马射线暴的理解更进一步。

 

这一突破可能是最终发现这些神秘爆炸起源的关键。正如尼尔斯·波尔研究所宇宙黎明中心的副教授查尔斯·斯坦哈特解释的那样:“现在我们有了两套完整的设备，我们可以开始探索它们之间的区别。到目前为止，还没有这样做的工具。”

 

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上的所有可用信息进行编码，而不是像之前那样使用有限的汇总统计信息。t分布随机邻域嵌入算法采用复杂的高维数据，生成简化的、可视化的可访问地图。这样做不会干扰数据集的结构。“这种方法的独特之处在于，”Christian Kragh Jespersen解释道， 杏耀平台 ，“t-SNE不强迫有两个组。你让数据自己说话，告诉你应该如何分类。”

 

照亮数据

 

Johann Bock Severin说，特征空间的准备——你给算法的输入——是这个项目中最具挑战性的部分。从本质上说，学生们必须准备数据集，以使其最重要的特征能够脱颖而出。“我喜欢把它比作把你的数据点挂在暗室的天花板上，”克里斯蒂安·克拉·杰斯佩森(Christian Kragh Jespersen)解释说。“我们的主要问题是找出我们应该从哪个方向照射这些数据，以使分离可见。”

 

“理解GRB的第0步”

 

学生们探索t-SNE机器学习算法，作为他们第一年项目的一部分，这是物理学学士的第一年课程。他们的导师查尔斯•斯坦哈特(Charles Steinhardt)表示:“课程结束时，我们显然取得了相当显著的成果。”学生们绘制的t-SNE地图清晰地将Swift天文台的GRB分成了两组。重要的是，它将以前难以分类的伽马射线暴进行了分类。“这本质上是理解GRB的第0步，”斯坦哈特解释道。“这是第一次，我们可以确认短GRB和长GRB确实是完全不同的东西。”

 

在没有任何天文学理论背景的情况下，杏耀软件学生们发现了围绕伽玛射线暴的一个关键谜团。从这里，天文学家可以开始开发模型来识别这两个不同类别的特征。