ガンマ線バーストには、大きく分けて短いものと長いものの2種類がある。天文学者は、この2種類のバーストの原因を理解していると考えているが、この2種類のバーストにはまだ大きな重複がある。今回、研究チームは、機械学習アルゴリズムを用いてガンマ線バーストを分類する新しい方法を提案した。この新しい分類法は、天文学者がこの謎めいた爆発をよりよく理解するのに役立つと思われる。

1960年代以来、天文学者は高エネルギーガンマ線の短時間の爆発を発見してきた。これらのバーストは空一面からやってくるので、おそらく銀河の外から来たものと思われる。この数十年の間に、天文学者はこれらのガンマ線バーストを2つの種類、短いものと長いものとに分類した。短いものは平均して2秒以下で、全バーストの約30％を占める。残りの長いものは、短いものよりもずっと明るい傾向がある。

多くの天文学者は、2つの異なるガンマ線バースト集団が、異なるプロセスで発生すると考えている。短いガンマ線バーストは、中性子星のようなコンパクトな天体が合体することによって発生すると考えられている。一方、長いガンマ線バーストは、エキゾチックな超新星爆発が引き起こすと考えられている。後者の場合、十分な大きさの星が十分な回転数で爆発すると、爆発した物質が渦を巻いて放射線ビームとなり、宇宙空間に吹き出すことがある。そのビームがたまたま地球を向いていた場合、長いガンマ線バーストとして見ることができる。

しかし、この2つの違いを見分けるのは難しい。多くのガンマ線バーストは短時間と長時間のちょうど境目にあり、中には両方の性質を併せ持つ爆発もある。

今回、研究チームは、この2つの観測を区別するための新しい仕組みを提案した。研究チームは、既存のデータセットとコンピュータシミュレーションで訓練した機械学習アルゴリズムを用いて、短いガンマ線バーストと長いガンマ線バーストを区別する鍵となる特徴を見つけた。その結果、爆発の継続時間がちょうど境界線上にある場合でも、この2つの観測集団をきれいに分けることができることを発見したのだ。

今後、このツールを使って観測データを簡単に分類し、爆発の物理的なメカニズムの解明に役立てることが期待される。

研究の要旨

ガンマ線バースト(GRB)は、その継続時間から長いGRBと短いGRBに経験的に分類することが既に定着している。この経験的な分類は、一般にコンパクト連星の合体に由来するGRBと大質量星の崩壊に由来するGRB、すなわちタイプIとIIという物理的な分類と結びついており、短いGRBの大部分はタイプIに、長いGRBの大部分はタイプIIに属するとされているのだ。しかし、長いGRBと短いGRBの継続時間分布には大きな重なりがある。さらに、短い持続時間のタイプIIと長い持続時間のタイプIのGRBが混在しているものも報告されている。このように、GRBを多波長・多パラメータで分類するスキームが必要であることは明らかだ。本論文では、XGBoostを中心とした教師付き機械学習を用いて、そのような分類法を構築することを目指す。GRB Big TableとGreinerのGRBカタログを利用し、入力された特徴を即発光、残光、ホスト銀河の3つのサブグループに分類する。その結果、プロンプトエミッションサブグループがType IとType IIのGRBを最もよく識別できることがわかった。また、プロンプト発光の特徴として、T90、硬度比、フルエンスが最も重要であることがわかった。機械学習モデルを構築した後、現在未分類のGRBに適用し、いずれかのGRBクラスである確率を予測し、各GRBの最も確率の高いクラスをその物理クラスの可能性として割り当てる。

この記事は、PAUL M. SUTTER氏によって執筆され、Universe Todayに掲載されたものを、クリエイティブ・コモンズ・ライセンス（表示4.0 国際）に則り、翻訳・転載したものです。元記事はこちらからお読み頂けます。