Un modello di apprendimento automatico rileva lag nei nuclei galattici attivi
Per esplorare il cuore delle galassie più energetiche, gli astronomi impiegano la cartografia 3D di riverberazione. Questa tecnica analizza le sfasature temporali o lag nella luce emessa dai dischi di accrescimento che circondano i buchi neri supermassicci. Il futuro Osservatorio Vera Rubin genererà dati massivi per questa attività, ma pone anche sfide significative che richiedono nuove strumenti di analisi 🕰️.
I lag rivelano la struttura nascosta del disco
I lag corti derivano dal tempo che impiega la luce a attraversare il disco, permettendo di mappare la sua estensione radiale. D'altra parte, i lag lunghi negativi, più sottili e complessi da catturare, sono legati al tempo che impiega la materia a fluire verso l'interno, offrendo indizi sulla struttura verticale del disco. Rilevare questi ultimi con metodi tradizionali è molto difficile, specialmente con serie di dati che hanno lacune o un segnale debole.
Sfide per la nuova era di osservazione:- L'Osservatorio Rubin osserverà milioni di AGN, ma i suoi dati avranno lacune stagionali.
- Il segnale del lag lungo negativo è intrinsecamente tenue e facile da mascherare.
- I metodi di analisi classici non scalano bene per processare l'enorme volume di dati atteso.
Sembra che persino i buchi neri supermassicci possano avere un ritardo nel rispondere, anche se nel loro caso si misura in giorni luce.
Un trasformatore rivoluziona la rilevazione
Per superare queste barriere, è stato sviluppato e addestrato un modello di apprendimento automatico basato sull'architettura trasformatore. Questo modello esamina curve di luce simulate che imitano quelle che produrrà il Rubin, cercando di identificare in modo automatico e robusto entrambi i tipi di lag.
Risultati che fanno la differenza:- Il modello identifica la presenza di un lag lungo negativo con il 96% di esaustività e solo lo 0,04% di contaminazione.
- Prevede il valore del lag con una precisione del 98%.
- Supera ampiamente le tecniche consolidate: la funzione di correlazione incrociata interpolata raggiunge il 54% di precisione e javelin solo un