Para ilmuwan telah menerapkan teknik pembelajaran mesin canggih untuk secara signifikan meningkatkan ketepatan pengukuran jarak untuk semburan sinar gamma (GRB). Dengan menggabungkan data dari Swift Observatory NASA dengan model pembelajaran mesin, mereka memungkinkan estimasi jarak GRB yang lebih akurat, sehingga meningkatkan pemahaman tentang fenomena kosmik dan membuka jalan bagi penemuan astronomi di masa depan. Kredit: SciTechDaily.com
Pembelajaran mesin merevolusi pengukuran jarak dalam astronomi, memberikan perkiraan ledakan sinar gamma yang tepat dan membantu eksplorasi kosmik.
Munculnya kecerdasan buatan (AI) telah dipuji oleh banyak orang sebagai pengubah permainan masyarakat, karena membuka banyak kemungkinan untuk meningkatkan hampir setiap aspek kehidupan kita.
Para astronom kini menggunakan AI, secara harfiah, untuk mengukur perluasan alam semesta kita.
Merintis Presisi dalam Pengukuran Kosmik
Dua penelitian terbaru yang dipimpin oleh Maria Dainotti, seorang profesor tamu di Pusat Astrofisika Nevada UNLV dan asisten profesor di National Astronomical Observatory of Japan (NAOJ), menggabungkan beberapa penelitian pembelajaran mesin model untuk menambahkan tingkat presisi baru pada pengukuran jarak untuk ledakan sinar gamma (GRB) – ledakan paling terang dan paling dahsyat di alam semesta.
Hanya dalam beberapa detik, GRB melepaskan jumlah energi yang sama dengan yang dilepaskan matahari sepanjang masa hidupnya. Karena sangat terangnya, GRB dapat diamati pada berbagai jarak – termasuk di tepi alam semesta yang terlihat – dan membantu para astronom dalam upaya mereka mengejar bintang tertua dan terjauh. Namun, karena keterbatasan teknologi saat ini, hanya sebagian kecil dari GRB yang diketahui memiliki semua karakteristik observasi yang diperlukan untuk membantu para astronom dalam menghitung seberapa jauh GRB tersebut berada.
Swift, yang diilustrasikan di sini, adalah kolaborasi antara Pusat Penerbangan Luar Angkasa Goddard NASA di Greenbelt, Maryland, Penn State di University Park, Laboratorium Nasional Los Alamos di New Mexico, dan Northrop Grumman Innovation Systems di Dulles, Virginia. Mitra lainnya termasuk Universitas Leicester dan Laboratorium Sains Luar Angkasa Mullard di Inggris, Observatorium Brera di Italia, dan Badan Antariksa Italia. Kredit: Pusat Penerbangan Luar Angkasa Goddard NASA/Chris Smith (KBRwyle)
Memajukan Penelitian Semburan Sinar Gamma Dengan AI
Dainotti dan timnya menggabungkan data GRB dari NASA'S Observatorium Neil Gehrels Swift dengan beberapa model pembelajaran mesin untuk mengatasi keterbatasan teknologi observasi saat ini dan, lebih tepatnya, memperkirakan kedekatan GRB yang jaraknya tidak diketahui. Karena GRB dapat diamati baik pada jarak yang jauh maupun pada jarak yang relatif dekat, mengetahui di mana GRB terjadi dapat membantu para ilmuwan memahami bagaimana bintang berevolusi seiring waktu dan berapa banyak GRB yang dapat terjadi dalam ruang dan waktu tertentu.
“Penelitian ini mendorong kemajuan dalam astronomi sinar gamma dan pembelajaran mesin,” kata Dainotti. “Penelitian dan inovasi lanjutan akan membantu kita mencapai hasil yang lebih andal dan memungkinkan kita menjawab beberapa pertanyaan kosmologis yang paling mendesak, termasuk proses paling awal di alam semesta kita dan bagaimana alam semesta berevolusi dari waktu ke waktu.”
AI Meningkatkan Batasan Pengamatan Luar Angkasa
Dalam sebuah penelitian, Dainotti dan Aditya Narendra, seorang mahasiswa doktoral tahun terakhir di Universitas Jagiellonian Polandia, menggunakan beberapa metode pembelajaran mesin untuk secara tepat mengukur jarak GRB yang diamati oleh Swift UltraViolet/Optical Telescope (UVOT) luar angkasa dan teleskop berbasis darat. termasuk Teleskop Subaru. Pengukuran hanya didasarkan pada properti GRB lainnya yang tidak terkait dengan jarak. Penelitian ini dipublikasikan pada 23 Mei di Surat Jurnal Astrofisika.(1)
“Hasil penelitian ini sangat tepat sehingga kami dapat menentukan jumlah GRB dalam volume dan waktu tertentu (disebut laju) menggunakan jarak prediksi, yang sangat mendekati perkiraan pengamatan sebenarnya,” kata Narendra.
Superleaner: Meningkatkan Kekuatan Prediktif dalam Astronomi
Studi lain yang dipimpin oleh Dainotti dan kolaborator internasional telah berhasil mengukur jarak GRB dengan pembelajaran mesin menggunakan data dari Swift X-ray Telescope (XRT) milik NASA yang memancarkan cahaya dari apa yang dikenal sebagai GRB panjang. GRB diyakini terjadi dengan cara yang berbeda. GRB panjang terjadi ketika sebuah bintang masif mencapai akhir masa hidupnya dan meledak dalam supernova yang spektakuler. Jenis lain, yang dikenal sebagai GRB pendek, terjadi ketika sisa-sisa bintang mati, seperti bintang neutron, bergabung secara gravitasi dan bertabrakan satu sama lain.
Dainotti mengatakan kebaruan dari pendekatan ini berasal dari penggunaan beberapa metode pembelajaran mesin secara bersamaan untuk meningkatkan kekuatan prediksi kolektifnya. Metode ini, yang disebut Superleaner, memberikan bobot pada setiap algoritme yang nilainya berkisar antara 0 hingga 1, dengan setiap bobot sesuai dengan kekuatan prediksi metode tunggal tersebut.
“Keuntungan Superleaner adalah prediksi akhir selalu lebih baik dibandingkan model tunggal,” kata Dainotti. “Superleaner juga digunakan untuk membuang algoritme yang paling tidak dapat diprediksi.”
Penelitian ini, yang diterbitkan pada 26 Februari di Itu Jurnal AstrofisikaSeri Tambahan,(2) secara andal memperkirakan jarak 154 GRB panjang yang jaraknya tidak diketahui dan secara signifikan meningkatkan populasi jarak yang diketahui di antara jenis ledakan ini.
Menjawab Pertanyaan Membingungkan tentang Formasi GRB
Studi ketiga, diterbitkan pada 21 Februari di Surat Jurnal Astrofisika(3) dan dipimpin oleh astrofisikawan Universitas Stanford Vahé Petrosian dan Dainotti, menggunakan data sinar-X Swift untuk menjawab pertanyaan membingungkan dengan menunjukkan bahwa laju GRB – setidaknya pada jarak relatif kecil – tidak mengikuti laju pembentukan bintang.
“Hal ini membuka kemungkinan bahwa GRB panjang pada jarak kecil mungkin dihasilkan bukan oleh keruntuhan bintang masif, melainkan oleh fusi objek yang sangat padat seperti bintang neutron,” kata Petrosian.
Dengan dukungan dari program Swift Observatory Guest Investigator NASA (Siklus 19), Dainotti dan rekan-rekannya kini berupaya membuat alat pembelajaran mesin tersedia untuk umum melalui aplikasi web interaktif.
Referensi:
- “Ledakan Sinar Gamma sebagai Indikator Jarak dengan Pendekatan Pembelajaran Statistik” oleh Maria Giovanna Dainotti, Aditya Narendra, Agnieszka Pollo, Vahe Petrosian, Malgorzata Bogdan, Kazunari Iwasaki, Jason Xavier Prochaska, Enrico Rinaldi dan David Zhou, 24 Mei 2024, Surat Jurnal Astrofisika.
DOI: 10.3847/2041-8213/ad4970 - “Menyimpulkan Pergeseran Merah Lebih dari 150 GRB dengan Model Ensemble Pembelajaran Mesin” oleh Maria Giovanna Dainotti, Elias Taira, Eric Wang, Elias Lehman, Aditya Narendra, Agnieszka Pollo, Grzegorz M. Madejski, Vahe Petrosian, Malgorzata Bogdan, Apratim Dey dan Shubham Bhardwaj, 26 Februari 2024, Seri Suplemen Jurnal Astrofisika.
DOI: 10.3847/1538-4365/ad1aaf - “Nenek moyang Semburan Sinar Gamma Pergeseran Merah Rendah” oleh Vahé Petrosian dan Maria G. Dainotti, 21 Februari 2024, Surat Jurnal Astrofisika.
DOI: 10.3847/2041-8213/ad2763
