Vue d'artiste de la formation de poussière autour d'une explosion de supernova. Crédit :ESO/M. Kornmesser
De nouveaux travaux portent sur l'utilisation de l'apprentissage automatique pour déchiffrer les premiers stades des explosions de supernovae en reconstruisant la lumière émise lors de l'explosion. La recherche a été présentée aujourd'hui lors de la réunion nationale d'astronomie 2022 par Eleonora Parrag, titulaire d'un doctorat. étudiant à l'université de Cardiff.
Les étoiles mourantes les plus massives peuvent produire certains des feux d'artifice les plus brillants de la nature :des explosions de supernova. Ceux-ci peuvent être utilisés pour sonder des distances dans l'espace et répondre à des questions sur notre univers, ainsi que pour produire une grande partie de la matière même qui compose le monde qui nous entoure.
La physique régissant une supernova change au cours des centaines de jours après son explosion; des instantanés de cette physique peuvent être capturés en termes de spectre de supernova, où la lumière est dispersée par longueur d'onde de la même manière que nous voyons les couleurs d'un arc-en-ciel. Les spectres contiennent des signatures des éléments de l'explosion et peuvent révéler les conditions impliquées. Cependant, il s'agit d'une ressource limitée. Plus de spectres fourniraient des informations importantes sur la physique en constante évolution entourant les supernovae et une plus grande capacité à comparer et à étudier leurs populations à travers le temps cosmique jusqu'à l'aube de l'univers.
Les travaux de Parrag visent à combler ces informations manquantes avec l'apprentissage automatique, des algorithmes qui apprennent en étant "formés" sur les observations existantes de centaines de supernovae. Ils peuvent construire des spectres artificiels entiers basés sur seulement quelques points de données qui sont facilement mesurés à partir de supernovae précédemment observées. Combler les lacunes de ces points de données existants permet ensuite de construire un spectre pour toute explosion passée jusqu'à environ 200 jours après l'explosion.
L'équipe a découvert que leurs spectres artificiels reproduisaient de nombreuses caractéristiques observées dans de véritables explosions de supernova.
La responsable du projet, Eleonora Parrag, déclare que "l'apprentissage automatique peut nous aider à trouver des modèles et potentiellement même de nouvelles idées en physique dans les énormes quantités de données de supernovae que nous pouvons observer maintenant et dans un avenir prévisible". Elle ajoute que "c'est une voie très prometteuse à explorer en astrophysique en ce moment et je suis très excitée par ce que nous pourrions découvrir sur les supernovae à l'avenir."
Les travaux ultérieurs dans ce domaine porteront sur l'application de cet algorithme à toutes sortes de supernovae, ainsi que sur l'amélioration de l'algorithme et l'augmentation du nombre et de la variété des supernovae utilisées dans la formation. L'étoile qui a survécu à une supernova
