Rebobinando una supernova con aprendizaje automático
14/7/2022 de Royal Astronomical Society
Ilustración de artista de la formación de polvo alrededor de una explosión de supernova. Crédito: ESO/M. Kornmesser.
Un nuevo trabajo investiga el uso del aprendizaje automático (machine learning) para descifrar las fases iniciales de explosiones de supernovas reconstruyendo la luz emitida durante la explosión.
Los fenómenos físicos predominantes en una supernova (la explosión violenta de una estrella masiva) cambian a lo largo de los cientos de días que siguen al estallido y pueden ser captados a través del espectro de la supernova, en el que la luz es dispersada según su longitud de onda del mismo modo en el que vemos los colores del arco iris. Los espectros contienen las firmas de los elementos químicos presentes en la explosión y pueden revelar las condiciones que se dieron en cada momento. Sin embargo, la información que se obtiene es incompleta porque serían necesario tomar muchos más espectros para conocer los procesos físicos dominantes que cambian constantemente alrededor de las supernovas.
Ahora, un equipo de investigadores, dirigido por Eleonora Parrag (Universidad de Cardiff) ha intentado suplir la información que falta mediante el uso de técnicas de aprendizaje automático, algoritmos que aprenden mediante un «entrenamiento» con las observaciones que ya existen de cientos de supernovas. Pueden construir espectros artificiales completos basándose solo en unos pocos datos fácilmente mensurables en supernovas observadas anteriormente. Esto permite construir un espectro de cualquier explosión hasta 200 días después de que se haya producido.
El resultado indica que los espectros artificiales obtenidos reproducen muchas de las características observadas en explosiones de supernova reales.
[Fuente]
