Capire le proprietà fisiche delle galassie con il Machine Learning

FacebooktwitterlinkedinFacebooktwitterlinkedin

Alla Scuola Normale Superiore sono in atto promettenti studi cosmologici, i cui responsabili sono Graziano Ucci, Andrea Ferrara, Simona Gallerani e Andrea Pallottini, che si avvalgono del Supervised Machine Learning (SML), ossia un innovativo metodo di ricerca che permette di studiare le proprietà fisiche e la struttura interna delle galassie e delle regioni di universo, anche le più lontane. E’ stato sviluppato un codice chiamato GAME (Galaxy Machine learning for emission lines) basato sul SML che, in particolare, studia le emissioni luminose provenienti dalle galassie analizzando il loro spettro, ottenuto grazie agli spettrografi, cioè strumenti presenti nei telescopi, che scompongono la luce nelle varie lunghezze d’onda che la costituiscono.
Il codice sfrutta il fatto che una regione all’interno delle galassie è un sistema a più componenti, cioè formato non solo da stelle, ma anche da gas chiamato ISM (InterStellar Medium).

Poiché la luce che ci arriva è emessa da tutte le componenti, la prima operazione che viene compiuta è la separazione delle emissioni della stella da quelle dell’ISM. Questo passaggio è eseguito sottraendo dallo spettro complessivo quello della stella. Infatti, grazie ad una libreria di spettri stellari, è possibile capire quale spettro stellare è compatibile con l’emissione ottenuta. Conseguentemente, sottraendo lo spettro della stella si riesce ad isolare lo spettro del gas.
Inoltre, il codice è in grado di determinare e di sottrarre dallo spettro anche un elemento di disturbo generalmente presente nelle emissioni che arrivano a noi, il cosiddetto “rumore”, che aumenta con la distanza della galassia.

L’IFS (Integral Field Spectrograph) è uno strumento composto da uno spettrografo, che ottiene lo spettro della regione di galassia osservata, e da un IFU (Integral Field Unit), che permette di studiare meglio la regione osservata grazie alla creazione di una immagine chiamata Data Cube (in figura). Il Data Cube fornisce sia un’immagine complessiva della galassia, in cui ad ogni pixel è associato il corrispondente spettro di emissione, sia un’immagine della galassia a ogni lunghezza d’onda.

Questo metodo innovativo si distingue da quelli usati precedentemente soprattutto per i tempi necessari nettamente inferiori e per la maggiore affidabilità e precisione dei risultati, che fino ad ora erano influenzati da notevoli errori sistematici. Inoltre, grazie alla maggiore potenza delle macchine utilizzate nel progetto, è possibile studiare galassie e regioni sempre più lontane, in modo da arrivare ad analizzare quelle più arcaiche, ottenendo maggiori informazioni sull’universo poco dopo il Big Bang. Ad esempio, grazie a questo metodo, si potranno studiare anche le stelle Pop III, cioè le stelle più antiche che hanno una massa molto grande e un bassissimo, se non nullo, contenuto di metalli, gli elementi chimici più pesanti dell’idrogeno e dell’elio. Dalle informazioni su queste ultime sarà possibile ottenere nuovi dati sulla nucleosintesi primordiale, cioè la formazione dei primi elementi chimici dopo il Big Bang.

Alla base del progetto c’è la creazione di una amplissima libreria di spettri sintetici (cioè teorici) che ammontano a diverse decine di migliaia. La libreria contiene una quantità di possibili emissioni molto elevata, con lunghezze d’onda che vanno dall’ultravioletto (circa 10^-9 m) alle onde millimetriche (circa 10^-3 m).
Il codice, una volta ottenuto lo spettro di emissione frutto dell’osservazione, deduce caratteristiche della galassia come la densità, la metallicità, cioè la quantità di elementi diversi da idrogeno e elio, la column density, ossia la densità di materia attraversata dalla radiazione all’interno della galassia oggetto di studio, la ionizzazione dei gas, confrontando lo spettro ottenuto dall’osservazione con quelli teorici della libreria.

La nebulosa Rosetta, in cui al centro c’è un ammasso aperto di stelle, circondato da una cavità causata dal vento stellare che ha spazzato via lo strato di gas e polvere, che si può trovare intorno alla cavità.

Per ora il progetto è nella fase finale di test, durante la quale, dopo aver dato al codice spettri teorici contenuti nella libreria, si verifica se le previsioni e i risultati che fornisce corrispondono alle reali caratteristiche che sono già note.
Nel frattempo, la libreria viene ampliata con ulteriori spettri in modo da essere più simile possibile alla varietà della realtà.

Quando sarà stato verificato che il codice è in grado di fornire informazioni affidabili partendo da spettri teorici, verranno fatti ulteriori controlli facendogli analizzare spettri di galassie vicine di cui si conoscono già le caratteristiche.
Alla fine di tutte le verifiche, il codice potrà analizzare gli spettri di galassie molto lontane e quindi molto arcaiche, fornendoci conoscenze sulla struttura interna delle prime galassie.

Il progetto prevede anche l’analisi di spettri di galassie simulate. Infatti, è possibile creare virtualmente al computer simulazioni di galassie, partendo da una porzione di universo e scegliendo le condizioni iniziali. Quindi, si applicano i modelli che descrivono la fisica all’interno delle galassie, e si osserva l’evoluzione della regione.
Fino ad oggi, i dati sulle proprietà fisiche delle galassie sono incredibilmente accurati ma non perfetti, essendo soggetti a numerose approssimazioni. Grazie quindi alle tecniche di SML e al codice GAME sarà possibile ottenere informazioni più precise.

Autrice: Irene Celestino

Author: Irene Celestino

Share This Post On