人工智能（AI）的出现被许多人誉为社会游戏规则的改变者，因为它为改善我们生活的方方面面提供了无限可能。现在，天文学家正在使用人工智能来测量宇宙的膨胀。由UNLV内华达天体物理学中心客座教授、日本国立天文台（NAOJ）助理教授玛丽亚-戴诺蒂（Maria Dainotti）领导的两项最新研究采用了多种机器学习模型，将伽马射线暴（GRB）的距离测量精度提高到了一个新水平。
在短短几秒钟内，GRB 释放的能量相当于太阳一生释放的能量。由于它们如此明亮，GRB 可以在多种距离（包括可见宇宙的边缘）进行观测，帮助天文学家追寻最古老、最遥远的恒星。但是，由于目前技术的限制，只有一小部分已知的 GRB 具有所需的全部观测特征，可以帮助天文学家计算它们发生在多远的地方。
图中所示的 Swift 是美国国家航空航天局位于马里兰州格林贝尔特的戈达德太空飞行中心、宾夕法尼亚州立大学帕克分校、新墨西哥州洛斯阿拉莫斯国家实验室和弗吉尼亚州杜勒斯的诺斯罗普-格鲁曼创新系统公司的合作成果。其他合作伙伴包括英国莱斯特大学和穆拉德空间科学实验室、意大利布雷拉天文台和意大利航天局。资料来源：美国国家航空航天局戈达德太空飞行中心/Chris Smith (KBRwyle)
Dainotti 和她的团队将美国宇航局尼尔-盖尔斯-斯威夫特天文台（NASA's Neil Gehrels Swift Observatory）的 GRB 数据与多个机器学习模型相结合，克服了当前观测技术的局限性，更精确地估算出了距离未知的 GRB 的邻近程度。由于GRB既可以在很远的地方观测到，也可以在相对较近的距离观测到，因此了解它们发生的位置有助于科学家了解恒星是如何随时间演变的，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的前沿发展，"Dainotti 说。"后续研究和创新将帮助我们取得更可靠的结果，并使我们能够回答一些最紧迫的宇宙学问题，包括我们宇宙的最早过程以及它是如何随着时间的推移而演变的。"
在一项研究中，Dainotti 和波兰雅盖隆大学的博士研究生 Aditya Narendra 使用几种机器学习方法精确测量了太空雨燕紫外/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。测量结果完全基于其他与距离无关的 GRB 特性。该研究成果于5月23日发表在《天体物理学杂志通讯》上。
Narendra说："这项研究的结果非常精确，我们可以利用预测的距离来确定一定体积和时间内的 GRB 数量（称为速率），这与实际观测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利用 NASA 的 Swift X 射线望远镜（XRT）从所谓的长 GRB 产生的余辉数据，通过机器学习成功地测量了 GRB 的距离。据信，GRB 以不同的方式发生。长GRB发生在一颗大质量恒星到达其生命末期并爆发出壮观的超新星时。另一种类型被称为短GRB，发生在死亡恒星（如中子星）的残余物在引力作用下合并并相互碰撞时。
Dainotti 说，这种方法的新颖之处在于将几种机器学习方法结合起来使用，以提高它们的集体预测能力。这种方法被称为"超级学习者"（Superlearner），它为每种算法分配一个权重，权重值从 0 到 1 不等，每个权重与该奇异方法的预测能力相对应。超级学习者的优势在于，最终预测结果总是比单一模型更有效，还用于摒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》增刊系列上，它可靠地估计了 154 个距离未知的长 GRB 的距离，并大大增加了这类爆发的已知距离数量。
由斯坦福大学天体物理学家 Vahé Petrosian 和 Dainotti 领导的第三项研究于 2 月 21 日发表在《天体物理学杂志通讯》上，该研究利用斯威夫特 X 射线数据回答了一些令人费解的问题，表明 GRB 的速率--至少在较小的相对距离上--并不遵循恒星形成的速率。
这提供了一种可能性，即小距离的长GRB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天体聚变产生的。
在美国国家航空航天局斯威夫特天文台客座研究员计划（第19周期）的支持下，Dainotti和她的同事们现在正努力通过一个交互式网络应用程序公开机器学习工具。
编译来源：ScitechDaily