La figure indique à quel point les différents GRB sont similaires les uns aux autres. Les points qui sont plus proches les uns des autres sont plus similaires, et les points plus éloignés sont plus différents. Ce que nous trouvons, c'est qu'il y a deux groupes distincts, un orange et l'autre bleu. Les points oranges semblent correspondre au GRB "court", qui ont été supposés être produits par des fusions d'étoiles à neutrons, et les points bleus semblent correspondre au GRB "long", qui pourrait plutôt être produit par l'effondrement de la mort, étoiles massives. Crédit :Institut Niels Bohr
En appliquant un algorithme d'apprentissage automatique, scientifiques de l'Institut Niels Bohr, Université de Copenhague, ont développé une méthode pour classer tous les sursauts gamma (GRB), explosions rapides hautement énergétiques dans les galaxies lointaines, sans avoir besoin de trouver une rémanence - par laquelle les GRB sont actuellement classés. Cette percée, initié par la première année de B.Sc. étudiants, peut s'avérer essentiel pour enfin découvrir les origines de ces mystérieux sursauts. Le résultat est maintenant publié dans Lettres de revues astrophysiques .
Depuis que les sursauts gamma (GRB) ont été accidentellement captés par les satellites de la guerre froide dans les années 70, l'origine de ces sursauts rapides a été une énigme importante. Bien que de nombreux astronomes conviennent que les GRB peuvent être divisés en rafales plus courtes (généralement moins d'une seconde) et plus longues (jusqu'à quelques minutes), les deux groupes se chevauchent. On a pensé que des sursauts plus longs pourraient être associés à l'effondrement d'étoiles massives, tandis que des sursauts plus courts pourraient plutôt être causés par la fusion d'étoiles à neutrons. Cependant, sans la possibilité de séparer les deux groupes et d'identifier leurs propriétés, il a été impossible de tester ces idées.
Jusque là, il n'a été possible de déterminer le type d'un GRB qu'environ 1% du temps, lorsqu'un télescope a pu pointer l'emplacement de la rafale assez rapidement pour capter la lumière résiduelle, appelé une rémanence. Cela a été une étape si cruciale que les astronomes ont développé des réseaux mondiaux capables d'interrompre d'autres travaux et de repointer de grands télescopes quelques minutes après la découverte d'un nouveau sursaut. Un GRB a même été détecté par l'observatoire LIGO à l'aide d'ondes gravitationnelles, pour lequel l'équipe a reçu le prix Nobel 2017.
Percée réalisée à l'aide d'un algorithme d'apprentissage automatique
Maintenant, des scientifiques de l'Institut Niels Bohr ont développé une méthode pour classer tous les GRB sans avoir besoin de trouver une rémanence. Le groupe, dirigé par une première année de B.Sc. Les étudiants en physique Johann Bock Severin, Christian Kragh Jespersen et Jonas Vinther, appliqué un algorithme d'apprentissage automatique pour classer les GRB. Ils ont identifié une séparation nette entre les GRB longs et courts. Leur travail, réalisée sous la direction de Charles Steinhardt, rapprochera les astronomes de la compréhension des GRB.
Cette percée pourrait s'avérer la clé pour enfin découvrir les origines de ces mystérieux sursauts. Comme Charles Steinhardt, Le professeur agrégé au Cosmic Dawn Center de l'Institut Niels Bohr explique :"Maintenant que nous avons deux ensembles complets disponibles, nous pouvons commencer à explorer les différences entre eux. Jusque là, il n'y avait pas eu d'outil pour le faire."
Vue d'artiste d'un sursaut gamma. Crédit :ESA, illustration ESA/ECF
De l'algorithme à la carte visuelle
Au lieu d'utiliser un ensemble limité de statistiques récapitulatives, comme cela se faisait habituellement jusque-là, les étudiants ont décidé d'encoder toutes les informations disponibles sur les GRB à l'aide de l'algorithme d'apprentissage automatique t-SNE. L'algorithme d'intégration de voisinage stochastique à distribution t prend des données complexes de grande dimension et produit une carte simplifiée et visuellement accessible. Il le fait sans interférer avec la structure de l'ensemble de données. "La particularité de cette approche, " explique Christian Kragh Jespersen, « est-ce que t-SNE ne force pas qu'il y ait deux groupes. Vous laissez les données parler d'elles-mêmes et vous dites comment elles doivent être classées. »
Lumière sur les données
La préparation de l'espace des caractéristiques - l'entrée que vous donnez à l'algorithme - était la partie la plus difficile du projet, dit Johann Bock Séverin. Essentiellement, les étudiants devaient préparer l'ensemble de données de manière à ce que ses caractéristiques les plus importantes ressortent. "J'aime le comparer à accrocher vos points de données au plafond dans une pièce sombre, " explique Christian Kragh Jespersen. " Notre principal problème était de savoir dans quelle direction il fallait éclairer les données pour rendre les séparations visibles. "
« Étape 0 pour comprendre les GRB »
Les étudiants ont exploré l'algorithme d'apprentissage automatique t-SNE dans le cadre de leur projet de 1ère année, un cours de 1ère année de Licence de Physique. « Au moment où nous sommes arrivés à la fin du cours, il était clair que nous avions un résultat assez significatif", leur superviseur Charles Steinhardt dit. La cartographie du t-SNE réalisée par les étudiants divise clairement tous les GRB de l'observatoire Swift en deux groupes. Surtout, il classe les GRB qui étaient auparavant difficiles à classer. "C'est essentiellement l'étape 0 dans la compréhension des GRB, " explique Steinhardt. " Pour la première fois, nous pouvons confirmer que les GRB plus courts et plus longs sont en effet des choses complètement séparées."
Sans aucune formation théorique préalable en astronomie, les élèves ont découvert une pièce clé du puzzle entourant les GRB. D'ici, les astronomes peuvent commencer à développer des modèles pour identifier les caractéristiques de ces deux classes distinctes.
