In orbita dal 2004 attorno alla Terra, il satellite Swift Gamma Ray Burst Explorer della NASA, spesso citato solo come Swift, studia i lampi di raggi gamma provenienti dalle galassie lontane. Li osserva, li cataloga, e ha permesso nel corso degli anni importanti risultati sulla comprensione di questi fenomeni altamente energetici.

Di recente, due diversi studi condotti da Maria Dainotti dell’Osservatorio Astronomico Nazionale del Giappone (NAOJ), in visita presso l’UNLV’s Nevada Center for Astrophysics, hanno incorporato diversi modelli di apprendimento automatico per aggiungere un nuovo livello di precisione ai risultati ottenuti con Swift.

Combinando i dati dei telescopi sul satellite con l’IA, è stato possibile fare un grande passo avanti nella caratterizzazione dei GRB (Gamma Ray Burst, lampi di raggi gamma), le esplosioni più luminose e violente dell’Universo. Grazie al machine learning sono infatti stati superati i limiti delle attuali tecnologie osservative, ed è stato possibile stimare con precisione le distanze di diversi GRB.

Studiare lampi altamente energetici per conoscere l’espansione cosmica

I lampi di raggi gamma sono esplosioni estremamente energetiche che si verificano in galassie lontane, e che rilasciano in pochi secondi più energia di quella emessa dal Sole in tutta la sua vita. La luminosità dei GRB è davvero enorme: durante il picco dell’esplosione, un singolo GRB può essere più luminoso dell’intera galassia che lo ospita. Questo rende i GRB visibili anche a miliardi di anni luce di distanza.

Poiché i GRB possono essere osservati sia a grandi distanze che a distanze relativamente ravvicinate, sapere dove si sono verificati può aiutare gli scienziati a capire come le stelle si evolvono nel tempo e quanti GRB possono verificarsi in un dato spazio e tempo.

Inoltre, l’osservazione dei GRB e dei loro afterglow (bagliori residui, che possono durare da ore a settimane) in diverse bande di frequenza (raggi X, ultravioletti, ottici, infrarossi e radio) aiuta a comprendere la struttura dell’Universo su larga scala, inclusa la distribuzione delle galassie e del materiale interstellare. Infatti, studiando la luce dei GRB che attraversa diverse regioni del cosmo, gli scienziati possono tracciare l’evoluzione delle strutture cosmiche presenti in quelle regioni nel tempo.

I GRB sono quindi strumenti preziosi per studiare l’espansione cosmica. Tuttavia, a causa dei limiti della tecnologia attuale, solo una piccola percentuale dei GRB conosciuti possiede tutte le caratteristiche osservative necessarie per aiutare gli astronomi a calcolare la distanza a cui si sono verificati. Infatti, la luminosità apparente può variare a seconda dell’angolo di osservazione, poiché i GRB emettono raggi gamma in getti stretti, non in tutte le direzioni.

Uno: migliorare la stima delle distanze

Attualmente, solo il 26% dei GRB osservati dal satellite Swift permette di ottenere una buona misura della distanza a cui accadono (o meglio, del loro redshift, lo spostamento verso il rosso rispetto a noi), a causa di limitazioni strumentali. Per risolvere questo problema, Dainotti e il suo team hanno sviluppato un modello di apprendimento automatico di tipo statistico, che stima il redshift dei GRB osservando il bagliore ottico che segue l’evento iniziale.

Hanno poi utilizzato questo modello per misurare con precisione la distanza dei GRB osservati dall’UltraViolet/Optical Telescope (UVOT) di Swift e dai telescopi terrestri, compreso il telescopio Subaru. Le misurazioni considerate si basavano esclusivamente su altre proprietà GRB non correlate alla distanza.

Questo metodo si è dimostrato molto accurato, con una correlazione forte tra i redshift stimati e quelli osservati. Il modello ha permesso di calcolare il tasso di osservazione dei GRB in diverse epoche cosmiche, trovando una discrepanza tra il tasso di formazione delle stelle e il tasso di GRB per redshift minori di 1. I ricercatori hanno quindi utilizzato diversi algoritmi per determinare il redshift dei GRB basandosi su caratteristiche del loro bagliore residuo, come la durata e l’intensità dell’emissione.

Applicando questi metodi al catalogo esistente dei GRB di Swift, il campione di GRB con stima del redshift noto è stato quasi raddoppiato, migliorando significativamente la nostra capacità di studiare questi eventi. Con un campione di 147 GRB con redshift noti, il modello ha dimostrato di poter prevedere con precisione le distanze.

I risultati hanno confermato precedenti osservazioni sulla discrepanza tra il tasso di GRB e il tasso di formazione stellare, e le conclusioni dello studio di Vahé Petrosian e di Dainotti pubblicato a febbraio, suggerendo che i GRB più vicini a noi potrebbero essere generati non solo dal collasso di stelle massicce, ma anche eventi di fusione di stelle compatte.

Due: trovare distanze sconosciute

Un altro studio condotto da Dainotti e collaboratori internazionali è riuscito a misurare la distanza dei GRB con l’apprendimento automatico utilizzando i dati dei bagliori residui dello Swift X-ray Telescope (XRT) provenienti dai cosiddetti GRB lunghi (LGRB, Long Gamma Ray Burst). Infatti, si ritiene che i GRB si manifestino in modi diversi:

• I GRB lunghi si verificano quando una stella massiccia raggiunge la fine della sua vita ed esplode in una spettacolare supernova.
• I GRB corti si verificano quando i resti di stelle morte, oggetti compatti come le stelle di neutroni, si fondono gravitazionalmente e si scontrano tra loro.

Dainotti afferma che la novità di questo approccio deriva dall’utilizzo combinato di diversi metodi di apprendimento automatico per migliorare il loro potere predittivo collettivo. Questo metodo, chiamato SuperLearner, assegna a ciascun algoritmo un peso i cui valori vanno da 0 a 1, dove ciascun peso corrisponde al potere predittivo di quel singolo metodo. Dainotti ha spiegato:

Il vantaggio di Superlearner è che la previsione finale è sempre più performante rispetto ai modelli singoli. SuperLearner viene utilizzato anche per scartare gli algoritmi meno predittivi.

Lo studio è così riuscito a stimare in modo affidabile la distanza, in precedenza sconosciuta, di 154 GRB lunghi, aumentando significativamente la popolazione di distanze conosciute tra questo tipo di GRB.

Ora, con il supporto del programma Swift Observatory Guest Investigator della NASA (Ciclo 19), Dainotti e i suoi colleghi stanno ora lavorando per rendere gli strumenti di apprendimento automatico disponibili pubblicamente attraverso un’applicazione web interattiva.

Qui sono reperibili invece gli studi citati nell’articolo:

• Gamma-Ray Bursts as Distance Indicators by a Statistical Learning Approach, Dainotti et al. 2024
• Inferring the Redshift of More than 150 GRBs with a Machine-learning Ensemble Model, Dainotti et al. 2024
• Progenitors of Low-redshift Gamma-Ray Bursts, Petrosian et al. 2024