尼尔斯·波尔研究所 该图显示了不同伽玛暴之间的相似程度
靠得更近的点更相似，离得更远的点更不同
我们发现有两种不同的颜色，一种是橙色，另一种是蓝色
橙色的点似乎对应于“短”GRB，它被假设是由中子星合并产生的，蓝色的点似乎对应于“长”GRB，它可能是由垂死的大质量恒星的坍缩产生的
荣誉:尼尔斯·波尔研究所 通过应用机器学习算法，哥本哈根大学尼尔斯·玻尔研究所的科学家开发了一种方法，可以对所有伽马射线爆发进行分类，伽马射线爆发是遥远星系中快速高能的爆炸，而不需要找到余辉——伽马射线爆发目前是根据余辉进行分类的
这个突破，由大一B发起
钪
学生，可能是最终发现这些神秘爆发起源的关键
该结果现已发表在《天体物理学杂志快报》上
自从70年代冷战卫星意外捕捉到伽马射线爆发以来，这些快速爆发的起源一直是一个重大难题
尽管许多天文学家同意伽玛暴可以分为更短(通常不到1秒)和更长(最多几分钟)的爆发，但这两组是重叠的
有人认为，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由中子星的合并引起的
然而，如果没有能力区分这两个群体并指出他们的属性，就不可能检验这些想法
到目前为止，只有大约1%的时间能够确定GRB的类型，当时望远镜能够足够快地指向爆发位置，以获取残余光，称为余辉
这是至关重要的一步，以至于天文学家已经开发出了全球网络，能够中断其他工作，并在发现新爆发的几分钟内重启大型望远镜
LIGO天文台甚至利用引力波探测到了一个GRB，为此该团队获得了2017年诺贝尔奖
使用机器学习算法实现突破 现在，尼尔斯·玻尔研究所的科学家已经开发出一种无需寻找余辉就能对所有伽玛暴进行分类的方法
该小组由第一年的B领导
钪
物理学学生约翰·博克·塞弗林、克里斯蒂安·克拉夫·叶斯柏森和乔纳斯·温瑟应用机器学习算法对伽玛暴进行分类
他们明确区分了长GRB和短
他们的工作是在查理斯·斯坦哈特的监督下进行的，这将使天文学家更接近于理解GRB
这一突破可能是最终发现这些神秘爆发起源的关键
正如查尔斯·斯坦哈特，尼尔斯·玻尔研究所宇宙黎明中心的副教授所解释的那样，“现在我们有两套完整的仪器可供使用，我们可以开始探索它们之间的差异
迄今为止，还没有一种工具可以做到这一点
" 艺术家对伽马射线爆发的印象
信用:欧空局，由欧空局/ECF插图 从算法到可视化地图 学生们决定使用机器学习算法t-SNE对GRB氏症的所有可用信息进行编码，而不是像以前那样使用一组有限的汇总统计数据
分布式随机邻域嵌入算法采用复杂的高维数据，并生成一个简化的可视化地图
这样做不会干扰数据集的结构
“这种方法的独特之处在于，”克里斯蒂安·克拉夫·叶斯柏森解释道，“SNE不强迫存在两个群体
你让数据自己说话，告诉你应该如何分类
" 照亮数据 约翰·博克·塞弗林说，特征空间的准备——你给算法的输入——是项目中最具挑战性的部分
本质上，学生们必须以这样一种方式准备数据集，使其最重要的特征突出出来
“我喜欢把它比作把你的数据点挂在黑暗房间的天花板上，”克里斯蒂安·克拉夫·叶斯柏森解释道
“我们的主要问题是找出我们应该从哪个方向照亮数据，以使分色清晰可见
" 理解GRB的第0步 学生们探索了SNE机器学习算法，作为他们第一年项目的一部分，这是物理学士第一年的课程
他们的主管查尔斯·斯坦哈特说:“当我们结束课程时，很明显我们有了一个相当重要的结果。”
学生们对t-SNE的测绘干净利落地将斯威夫特天文台的所有GRB分为两组
重要的是，它把以前很难归类的GRB分类
“这基本上是理解GRB的第0步，”斯坦哈特解释道
“我们第一次可以确认，更短和更长的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，学生们发现了围绕GRB难题的一个关键部分
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
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
