导读 人工智能的出现被许多人誉为社会变革者，因为它为我们生活的几乎每个方面改善打开了无限的可能性。天文学家现在正在使用人工智能来测量宇宙...

人工智能的出现被许多人誉为社会变革者，因为它为我们生活的几乎每个方面改善打开了无限的可能性。

天文学家现在正在使用人工智能来测量宇宙的膨胀。

最近，内华达大学拉斯维加斯分校内华达天体物理中心客座教授、日本国立天文台(NAOJ)助理教授MariaDainotti领导了两项研究，结合了多种机器学习模型，将伽马射线暴(GRB)(宇宙中最明亮、最剧烈的爆炸)的距离测量精度提升到了一个新的水平。

短短几秒钟内，GRB释放的能量就相当于太阳在其整个生命周期内释放的能量。由于它们非常明亮，因此可以在多个距离(包括可见宇宙的边缘)观测到GRB，并帮助天文学家追踪最古老和最遥远的恒星。但是，由于当前技术的限制，只有一小部分已知的GRB具有帮助天文学家计算其发生距离所需的所有观测特征。

Dainotti和她的团队将美国宇航局尼尔·格雷尔斯·斯威夫特天文台的GRB数据与多种机器学习模型相结合，以克服当前观测技术的局限性，更准确地估计距离未知的GRB的接近度。由于GRB既可以在很远的地方观测，也可以在相对较近的距离观测，因此了解它们发生的位置可以帮助科学家了解恒星如何随时间演变，以及在给定的空间和时间内可以发生多少次GRB。

“这项研究推动了伽马射线天文学和机器学习领域的前沿研究，”Dainotti说道。“后续研究和创新将帮助我们获得更可靠的结果，并使我们能够解答一些最紧迫的宇宙学问题，包括宇宙的最早过程以及它随着时间的推移是如何演变的。”

人工智能提升深空观测的极限在一项研究中，Dainotti和波兰雅盖隆大学最后一年的博士生AdityaNarendra使用多种机器学习方法精确测量了太空Swift紫外/光学望远镜(UVOT)和地面望远镜(包括斯巴鲁望远镜)观测到的GRB的距离。测量完全基于其他与距离无关的GRB属性。这项研究于5月23日发表在《天体物理学杂志快报》上。

纳伦德拉说：“这项研究的结果非常精确，我们可以使用预测距离来确定给定体积和时间内的GRB数量(称为速率)，这与实际观察到的估计值非常接近。”

由Dainotti和国际合作者领导的另一项研究成功地利用机器学习测量了GRB距离，该研究使用了NASA的SwiftX射线望远镜(XRT)的长GRB余辉数据。人们认为GRB以不同的方式发生。长GRB发生在大质量恒星达到其生命的尽头并在壮观的超新星中爆炸时。另一种称为短GRB的类型发生在死亡恒星(例如中子星)的残余物因引力合并并相互碰撞时。

Dainotti表示，这种方法的创新之处在于将几种机器学习方法结合使用，以提高它们的集体预测能力。这种方法称为Superlearner，它为每个算法分配一个权重，其值范围从0到1，每个权重对应于该单一方法的预测能力。

“Superlearner的优势在于，最终的预测结果总是比单一模型更高效，”Dainotti说道。“Superlearner还用于丢弃预测能力最差的算法。”

这项研究于2月26日发表在《天体物理学杂志增刊》上，可靠地估计了154个距离未知的长GRB的距离，并大大增加了此类爆发中已知距离的数量。

解答有关GRB形成的难题

第三项研究于2月21日发表在《天体物理学杂志快报》上，由斯坦福大学天体物理学家VahéPetrosian和Dainotti领导，他们利用SwiftX射线数据回答了一些令人费解的问题，表明GRB速率(至少在相对较小的距离上)并不符合恒星形成速率。

彼得罗相说：“这揭示了一种可能性，即短距离的长伽马射线暴可能不是由大质量恒星的坍缩产生的，而是由中子星等非常致密的物体的融合产生的。”

在美国宇航局斯威夫特天文台客座研究员计划(第19周期)的支持下，Dainotti和她的同事目前正致力于通过交互式网络应用程序向公众提供机器学习工具。