Uczenie maszynowe zostało wykorzystane do scharakteryzowania ciężkich pierwiastków, które pierwsze gwiazdy we Wszechświecie przekazały swoim bezpośrednim następcom po wybuchu supernowej. To kosmiczne dziedzictwo pierwiastków badali naukowcy zrzeszeni w Instytut Fizyki i Matematyki Wszechświata Kavli w Tokio, którzy znaleźli dowody na to, że większość gwiazd pierwszej generacji we wszechświecie istniała w układach dwóch lub więcej gwiazd.

Pierwsza generacja gwiazd we wszechświecie powstała z materiału dostarczonego bezpośrednio z Wielkiego Wybuchu – którym był prawie wyłącznie wodór i hel. Uważane za masywne i krótkotrwałe, gwiazdy te tworzyły cięższe pierwiastki (nazywane przez astronomów „metalami”), gdy gwiazdy eksplodowały jako supernowe. Materia ta następnie utworzyła cegiełki drugiej generacji znacznie dłużej żyjących gwiazd – z których niektóre przetrwały do ​​dziś w Drodze Mlecznej. Chociaż gwiazdy te zawierają więcej cięższych pierwiastków niż pierwsza generacja, nadal są opisywane jako „ekstremalnie ubogie w metale”.

Poprzednie symulacje komputerowe sugerowały, że wiele gwiazd pierwszej generacji istniało w grupach po dwie lub więcej gwiazd, ale do tej pory nie było żadnych dowodów obserwacyjnych na tę różnorodność. Teraz zespół Kavli wykorzystał system uczenia maszynowego do analizy zawartości metali w około 460 gwiazdach drugiej generacji, które zostały zaobserwowane przez Spektrograf Prime Focus na japońskim Teleskopie Subaru na Hawajach. Te dane spektralne zawierają informacje o składzie pierwiastków gwiazd i supernowych, które dostarczyły materiału do ich powstania.

Symulowane supernowe

Dane zostały przeanalizowane przy użyciu algorytmu uczenia maszynowego, który został stworzony przez Tilmana Hartwiga z Uniwersytetu Tokijskiego. Uczenie maszynowe to rodzaj sztucznej inteligencji (AI), a system został wyszkolony przy użyciu tysięcy symulacji supernowych pierwszej generacji w szerokim zakresie mas gwiazd i energii wybuchowych. Symulacje te wykorzystywały model nukleosyntezy do przewidywania produkcji pierwiastków każdego typu supernowych. Algorytm był wtedy w stanie określić, czy gwiazda drugiej generacji powstała w wyniku wybuchu jednej supernowej, czy kilku supernowych.

„Odkryliśmy, że większość (68%) gwiazd drugiej generacji została wzbogacona przez wiele supernowych z pierwszych gwiazd, analizując skład chemiczny obserwowanych gwiazd drugiej generacji” — wyjaśnia członek zespołu Chiaki Kobayashiego z Centre for Astrophysics Research na brytyjskim Uniwersytecie Hertfordshire. „Nasze odkrycia oznaczają, że na początku Wszechświata pierwsze gwiazdy powstały w układzie gwiazd wielokrotnych lub w gromadzie gwiazd, co zostało wskazane w symulacjach teoretycznych, ale nigdy wcześniej nie zostało potwierdzone obserwacjami”.

„Lekkie pierwiastki, takie jak węgiel i azot, mogą być wytwarzane w gwiazdach o małej masie, takich jak Słońce, ale większość pierwiastków, takich jak tlen i żelazo, jest wytwarzana przez supernowe. Najnowsze badania sugerują również, że najcięższe pierwiastki, takie jak złoto i uran, są również produkowane przez supernowe” – wyjaśnia. „Pierwiastki te są przenoszone z obszarów gwiazdotwórczych do ośrodka międzygwiazdowego przez wybuchy supernowych. Proces ten może wyzwalać lub hamować powstawanie nowej generacji gwiazd, dlatego supernowe są ważne dla całej historii galaktyk”.

Gwiezdne narodziny i śmierć

Miho Ishigakiego, który jest również na Uniwersytecie Tokijskim, dodaje, że konwencjonalne podejście do interpretacji obfitości pierwiastków w gwieździe polega na dopasowaniu danych do modelu opisującego moc wyjściową pojedynczej gwiazdy, która przeszła supernową. Zakłada się, że tylko jedna supernowa jest odpowiedzialna za wytwarzanie metali w danej skrajnie ubogiej w metal gwieździe.

Osady supernowych wciąż spadają na Ziemię i Księżyc

„Jeśli bardziej złożone sytuacje, takie jak wielokrotne supernowe, wzbogacają następną generację gwiazd, nie jest możliwe ograniczenie modeli z pewnością przy ograniczonych danych” – mówi, dlatego zespół zwrócił się ku uczeniu maszynowemu. „Podejście do uczenia maszynowego to skuteczny sposób interpretacji tych danych z uwzględnieniem złożonych modeli teoretycznych. Takie podejście oparte na sztucznej inteligencji będzie miało większe znaczenie w następnej dekadzie, kiedy dostępnych będzie więcej danych z nadchodzących przeglądów astronomicznych” – wyjaśnia.

Kobayashi dodaje: „Mogę sobie teraz wyobrazić, jak wiele jasnych gwiazd formuje się razem, co może przyspieszyć powstawanie galaktyk i chemiczne wzbogacenie Wszechświata. Pomysł ten jest zgodny z tym, co widzimy w najnowszych wynikach z Kosmicznego Teleskopu Jamesa Webba”.

Kobayashi mówi, że zespół zbada następnie, ile średnio supernowych wzbogaciło drugą generację gwiazd, badanie, które będzie wymagało dokładniejszych danych obserwacyjnych.

Badania opisano w Astrophysical Journal.

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. Dostęp tutaj.
• Wybijanie przyszłości w Adryenn Ashley. Dostęp tutaj.
• Źródło: https://physicsworld.com/a/first-stars-in-the-universe-formed-in-groups-machine-learning-study-reveals/