Jak sztuczna inteligencja wyszukuje rzadkie gorące podkarły w danych z teleskopu Gaia i czego można się z nich dowiedzieć o ewolucji gwiazd?

Gorący podkarzeł może wyglądać w katalogu Gaia jak jeden z wielu niebieskich punktów. Problem zaczyna się wtedy, gdy trzeba rozstrzygnąć, czy jest pojedynczą gwiazdą, składnikiem układu podwójnego, obiektem z chłodnym towarzyszem, czy po prostu źródłem, które przypadkiem znalazło się w podobnym obszarze parametrów. Przy tysiącach kandydatów ręczne sprawdzanie każdego przypadku szybko przestaje być rozsądną metodą pracy.

Właśnie tutaj przydaje się uczenie maszynowe. Nie polega ono jednak na tym, że „AI ogląda niebo i odkrywa gwiazdy”. Algorytm dostaje liczby opisujące pomiary wykonane przez Gaia, uczy się wzorców charakterystycznych dla wcześniej sklasyfikowanych obiektów, a następnie wskazuje źródła najbardziej podobne do znanych klas albo takie, które zachowują się nietypowo.

To rozróżnienie jest ważne. Kandydat wskazany przez model nie jest jeszcze potwierdzonym gorącym podkarłem ani potwierdzonym układem podwójnym. Machine learning skraca listę obiektów wymagających dalszej pracy obserwacyjnej. Fizyka zaczyna się dopiero później.

Gorący podkarzeł to odsłonięte jądro gwiazdy, a nie po prostu „bardzo gorąca mała gwiazda”

Pod pojęciem gorących podkarłów kryje się kilka grup obiektów, dlatego wrzucanie sdB i sdO do jednego worka prowadzi do nieporozumień. Najważniejszym przykładem w badaniach ewolucji układów podwójnych są gwiazdy typu sdB – subdwarf B.

Typowy sdB ma masę bliską 0,47 masy Słońca, wysoką temperaturę efektywną i bardzo cienką otoczkę bogatą w wodór. W jego jądrze zachodzi spalanie helu. Obiekt znajduje się na skrajnej gałęzi horyzontalnej, EHB – Extreme Horizontal Branch.

Najciekawsza nie jest jednak sama temperatura. Najważniejsze pytanie brzmi: gdzie zniknęła prawie cała otoczka czerwonego olbrzyma?

Normalnie gwiazda o niewielkiej masie wchodząca na gałąź czerwonych olbrzymów ma rozbudowaną otoczkę wodorową. Aby powstał sdB, większość tej otoczki musi zostać usunięta w bardzo konkretnym momencie ewolucji. Jądro musi pozostać zdolne do rozpoczęcia lub podtrzymywania spalania helu, podczas gdy warstwa wodorowa zostaje zredukowana do niewielkiej części pierwotnej masy gwiazdy.

To właśnie dlatego gorące podkarły są tak cenne. Nie bada się ich wyłącznie jako osobnej klasy gwiazd. Są śladami gwałtownych wydarzeń, które zaszły wcześniej w układzie.

W przypadku sdB największe znaczenie mają trzy scenariusze.

Wspólna otoczka – common envelope

Czerwony olbrzym rozszerza się na tyle, że transfer materii do towarzysza staje się niestabilny. Obie gwiazdy mogą znaleźć się we wspólnej gazowej otoczce. Podczas ruchu wewnątrz niej układ traci energię orbitalną, składniki szybko się do siebie zbliżają, a część energii pomaga wyrzucić otoczkę w przestrzeń.

Jeżeli proces zakończy się odpowiednio wcześnie, zostaje gorące, niemal nagie helowe jądro czerwonego olbrzyma oraz bliski towarzysz.

Obserwacyjny ślad? Ciasny układ podwójny. W znanych populacjach gorących podkarłów spotyka się okresy orbitalne od dziesiątek minut do ponad tysiąca dni, ale bardzo krótkie okresy – zwłaszcza poniżej około 10 dni – są ważną wskazówką przemawiającą za wcześniejszą fazą wspólnej otoczki.

Stabilny transfer przez powierzchnię Roche’a

Nie każda utrata otoczki przebiega gwałtownie. Jeżeli transfer masy pozostaje stabilny, czerwony olbrzym może stopniowo oddawać materiał towarzyszowi po wypełnieniu swojej powierzchni Roche’a.

Efekt jest inny niż po common envelope. Orbita nie musi drastycznie się skurczyć. Dlatego sdB w szerokim układzie z gwiazdą ciągu głównego – na przykład typu G lub K – może wskazywać właśnie na stabilny transfer masy.

Modele i obserwacje takich układów prowadzą do okresów liczonych nie w godzinach, lecz często w setkach dni; dla niektórych scenariuszy dopuszczalne są okresy sięgające ponad 1000 dni.

Połączenie dwóch helowych białych karłów

Trzecia droga pozwala wyjaśnić część pozornie pojedynczych gorących podkarłów.

Dwa helowe białe karły znajdujące się na bardzo ciasnej orbicie tracą energię przez emisję fal grawitacyjnych. Ich orbita stopniowo się kurczy, aż może dojść do transferu materii i połączenia składników. Jeżeli pozostałość po mergerze osiągnie odpowiednie warunki do zapłonu helu, może przez około 100 mln lat funkcjonować jako gorący podkarzeł spalający hel.

To daje astronomom konkretne kryterium. Jeśli populacja zawiera dużo pojedynczych gorących podkarłów o określonych masach i składach atmosfer, trzeba sprawdzić, czy modele mergerów są w stanie odtworzyć ich liczbę i własności.

Samo stwierdzenie „gwiazda jest sdB” daje więc tylko połowę informacji. Znacznie ciekawsze są:

• masa gwiazdy,

• temperatura efektywna,

• grawitacja powierzchniowa log g,

• zawartość wodoru i helu w atmosferze,

• obecność towarzysza,

• typ towarzysza,

• okres orbitalny,

• zmiany prędkości radialnej,

• zmienność jasności.

Każdy z tych parametrów zawęża możliwą historię obiektu.

Co naprawdę dostaje algorytm i jak z danych Gaia powstaje lista kandydatów?

Gaia kojarzy się przede wszystkim z niezwykle dokładnym pomiarem pozycji, paralaks i ruchów własnych gwiazd. W badaniu gorących podkarłów równie istotne są jednak fotometria oraz dane BP/RP.

Trzeba tutaj uważać na słowo „widmo”.

Gaia nie zastępuje wysokorozdzielczego spektrografu używanego do szczegółowego wyznaczania składu atmosfery. Instrumenty BP i RP rejestrują niskorozdzielczą spektrofotometrię obejmującą niebieską i czerwoną część zakresu optycznego. Pozwala ona odtworzyć, jak zmienia się strumień obiektu wraz z długością fali.

W Gaia DR3 informacja ta może być reprezentowana przez współczynniki XP. To matematycznie skompresowany opis kształtu obserwowanego rozkładu strumienia. Algorytm nie musi więc otrzymywać kolorowego obrazka przypominającego widmo z podręcznika. Dostaje zestaw liczb, w których zapisany jest jego kształt.

Do analizy można dołożyć między innymi:

• kolory fotometryczne,

• jasność absolutną wyznaczaną z wykorzystaniem paralaksy,

• położenie na diagramie kolor–jasność,

• współczynniki XP,

• informacje o zmienności,

• inne parametry astrometryczne lub fotometryczne dostępne dla konkretnej próbki.

Nie każdy model korzysta ze wszystkiego naraz.

To istotny szczegół, bo SVM, UMAP, SOM i CNN nie są czterema nazwami na tę samą metodę AI.

SVM – Support Vector Machine jest algorytmem klasyfikacyjnym. W uproszczeniu szuka w przestrzeni cech granicy najlepiej oddzielającej jedną klasę od drugiej. Jeżeli źródła pojedyncze i podwójne układają się inaczej pod względem kolorów i jasności, SVM może wykorzystać tę różnicę.

UMAP służy przede wszystkim do redukcji wymiarowości. Zamiast analizować kilkadziesiąt lub kilkaset parametrów na płaskim wykresie – czego praktycznie nie da się zrobić – można odwzorować strukturę danych w dwóch lub kilku wymiarach i zobaczyć, które źródła tworzą skupiska, a które odstają.

SOM – Self-Organizing Map, czyli mapa samoorganizująca się, również pomaga odwzorować strukturę danych wysokowymiarowych. Obiekty o podobnych cechach trafiają do podobnych rejonów mapy. Nietypowy przypadek może znaleźć się daleko od głównych grup albo w mało licznej komórce.

CNN – Convolutional Neural Network może natomiast rozpoznawać wzorce w przebiegu danych spektrofotometrycznych. Tutaj znaczenie ma nie pojedyncza liczba, lecz kształt całego rozkładu strumienia.

W praktyce droga od katalogu do wyniku wygląda mniej spektakularnie niż sugeruje określenie „AI odkrywa gwiazdy”, ale naukowo jest znacznie ciekawsza.

Najpierw trzeba zbudować próbkę obiektów, których charakter jest już znany. Następnie dla każdego z nich pobiera się odpowiednie dane Gaia i przygotowuje je w jednakowy sposób. Część obiektów służy do uczenia modelu, a część pozostawia się do sprawdzenia, czy algorytm działa również na danych, których wcześniej nie widział.

Dopiero potem model otrzymuje dużą próbkę nieprzeanalizowanych źródeł.

Schemat wygląda więc tak:

1. zebrać znane gorące podkarły,

2. przypisać im wiarygodne klasy,

3. pobrać odpowiadające im pomiary Gaia,

4. oczyścić i ujednolicić dane,

5. wybrać cechy wejściowe,

6. nauczyć model,

7. sprawdzić go na niewidzianej wcześniej próbce,

8. zastosować go do nowych źródeł,

9. nadać kandydatom klasy lub wyniki prawdopodobieństwa,

10. skierować najciekawsze przypadki do dalszej obserwacji.

I właśnie na etapach 2, 4 i 7 najłatwiej zrobić sobie krzywdę.

Jeżeli etykiety w próbce uczącej są błędne, model uczy się błędów. Jeżeli próbka zawiera głównie łatwe, jasne obiekty, później może gorzej klasyfikować słabsze i nietypowe. Jeżeli interesująca klasa jest rzadka, sama wysoka wartość accuracy również niewiele mówi.

Załóżmy skrajny przykład: w zbiorze 1000 obiektów tylko 20 należy do klasy, której szukamy. Algorytm odpowiadający zawsze „to nie jest ten obiekt” uzyskałby 98% accuracy, mimo że nie znalazłby ani jednego prawdziwego przypadku.

Dlatego przy wyszukiwaniu rzadkich źródeł liczą się również:

• precision – jaka część obiektów wskazanych przez model rzeczywiście należy do danej klasy,

• recall – jaką część wszystkich prawdziwych obiektów model potrafił odnaleźć,

• false positive – przypadek wskazany błędnie jako interesujący,

• false negative – prawdziwy interesujący obiekt, który model przeoczył.

Bez tego kontekstu zdanie „algorytm ma 90% skuteczności” jest prawie bezużyteczne.

Dobrym przykładem są badania gorących podkarłów wykonane z użyciem Gaia DR3. W jednej z analiz SVM zastosowano do 3084 gorących podkarłów, wykorzystując ich własności fotometryczne i położenie na diagramie kolor–jasność. Spośród nich 2815 obiektów posiadało dane BP/RP, które analizowano także z wykorzystaniem SOM oraz CNN.

Dla konkretnego wariantu SVM z jądrem RBF uzyskano 70,97% odtwarzalności klasyfikacji obiektów podwójnych względem wcześniejszej klasyfikacji. CNN wykorzystująca dane spektrofotometryczne osiągnęła 84,94% w zadaniu wykrywania układów podwójnych.

Te liczby trzeba czytać ostrożnie.

84,94% nie oznacza, że każdy obiekt oznaczony przez sieć jako podwójny ma 84,94% prawdopodobieństwa posiadania towarzysza. To wynik konkretnej metody w konkretnym zadaniu, na określonej próbce i względem przyjętej klasyfikacji odniesienia.

To różnica, którą łatwo zgubić w popularnym opisie AI.

Interesujący jest również fizyczny powód, dla którego klasyfikacja może działać. W tej analizie różnice między źródłami pojedynczymi i podwójnymi stawały się szczególnie widoczne w czerwonej części rozkładu strumienia – powyżej około 700 nm.

Ma to sens dla układu z chłodnym towarzyszem.

Gorący sdB emituje bardzo dużo promieniowania przy krótszych długościach fali. Chłodniejsza gwiazda zaczyna natomiast wnosić relatywnie większy wkład w czerwonej i podczerwonej części widma. W sumarycznym rozkładzie energii pojawia się więc nadmiar, którego nie powinien mieć pojedynczy gorący podkarzeł.

Model może nauczyć się właśnie takiej różnicy.

Nie oznacza to jednak, że każdy czerwony nadmiar oznacza towarzysza. Podobny problem może wywołać źródło zlane z sąsiadem, nietypowa fotometria, błędny pomiar albo obiekt należący do innej klasy.

Do zanieczyszczeń próbki kandydatów mogą należeć między innymi:

• białe karły,

• gorące gwiazdy ciągu głównego,

• układy złożone,

• niektóre zmienne kataklizmiczne,

• źródła o nietypowym rozkładzie energii,

• pomiary zaburzone przez sąsiednie obiekty.

Dlatego klasyfikator jest filtrem. Nie wyrocznią.

Od wyniku AI do historii gwiazdy: dopiero tutaj zaczyna się najważniejsza część badania

Wyobraźmy sobie konkretny, ale hipotetyczny przypadek.

Gaia rejestruje niebieskie źródło znajdujące się w obszarze diagramu kolor–jasność typowym dla gorących podkarłów. Kształt danych XP przypomina znane sdB, ale w czerwonej części pojawia się dodatkowy strumień. Model klasyfikacyjny przypisuje obiektowi wysokie prawdopodobieństwo kategorii odpowiadającej układowi z towarzyszem.

Czy odkryto nowy układ podwójny?

Nie. Znaleziono dobrego kandydata.

Teraz trzeba sprawdzić fizykę.

Pierwszy etap to lepsze widmo. Pozwala ono wyznaczyć między innymi temperaturę efektywną Teff, grawitację powierzchniową log g oraz skład chemiczny atmosfery. Dzięki temu można ustalić, czy źródło rzeczywiście jest gorącym podkarłem, a nie podobnie wyglądającym obiektem.

Jeżeli podejrzenie układu podwójnego pozostaje, trzeba mierzyć prędkość radialną w różnych momentach.

Gwiazda krążąca wokół wspólnego środka masy raz porusza się bardziej w stronę obserwatora, a innym razem się od niego oddala. Linie w widmie przesuwają się wskutek efektu Dopplera. Seria takich pomiarów pozwala szukać okresowych zmian.

Dopiero z czasowego przebiegu prędkości radialnej można próbować wyznaczyć orbitę i okres.

Pomóc może również fotometria czasowa, na przykład z TESS. W odpowiednich układach mogą pojawić się zaćmienia, efekt odbicia światła przez chłodniejszego towarzysza, deformacja elipsoidalna albo pulsacje samego gorącego podkarła.

Kolejność ma znaczenie:

kandydat → klasyfikacja → obserwacyjna weryfikacja → parametry układu → interpretacja ewolucyjna.

Przeskoczenie z pierwszego punktu bezpośrednio do ostatniego jest jednym z najpoważniejszych błędów w interpretacji rezultatów machine learningu.

Dopiero odpowiednio duża próbka potwierdzonych obiektów pozwala odpowiedzieć na pytanie postawione w tytule: czego gorące podkarły uczą nas o ewolucji gwiazd?

Najpierw – jak często układy przechodzą przez wspólną otoczkę i jaki jest jej końcowy efekt.

Modele common envelope nadal zawierają słabo ograniczone parametry, między innymi związane z efektywnością wykorzystania energii orbitalnej do wyrzucenia otoczki. Jeżeli model produkuje zbyt wiele lub zbyt mało ciasnych sdB w porównaniu z rzeczywistą populacją, coś w założeniach wymaga zmiany.

Okres orbitalny jest więc zapisem wcześniejszej interakcji.

Ciasny sdB z białym karłem albo czerwonym karłem nie tylko mówi „ta gwiazda ma towarzysza”. Jego obecna orbita nakłada ograniczenia na to, ile energii układ utracił podczas wcześniejszej ewolucji.

Z drugiej strony szerokie układy sdB z gwiazdami typu G lub K pozwalają badać stabilny transfer masy. Jeżeli obserwowane okresy i własności towarzyszy nie zgadzają się z symulacjami, problem może leżeć w przyjętej granicy stabilności transferu albo sposobie traktowania utraty masy i momentu pędu.

Pozornie pojedyncze gorące podkarły testują natomiast scenariusze mergerów.

I tu pojawia się ważne ograniczenie: „nie widzimy towarzysza” nie znaczy jeszcze „towarzysza nie ma”. Może być bardzo słaby, orbita może utrudniać wykrycie zmian prędkości radialnej, a dostępne obserwacje mogą być zbyt krótkie. Dopiero dobrze przebadana próbka pozwala oceniać rzeczywistą częstość obiektów pojedynczych.

Znaczenie ma również masa.

Jeżeli różne kanały ewolucyjne prowadzą do innych rozkładów mas końcowych, duża próbka dobrze scharakteryzowanych sdB pozwala porównać te przewidywania z rzeczywistością. Podobnie można wykorzystać Teff, log g oraz zawartość helu.

Atmosfera gorącego podkarła nie jest jednak prostą kapsułą czasu. Dyfuzja, lewitacja radiacyjna i inne procesy zachodzące w atmosferze mogą zmieniać obserwowane abundancje. Nie można więc odczytywać obecnego składu powierzchniowego jak niezmienionego zapisu momentu narodzin gwiazdy.

To dobry przykład sytuacji, w której prosta interpretacja zawodzi.

Gorące podkarły mają też znaczenie poza badaniem pojedynczych układów. Obiekty EHB mogą silnie wpływać na promieniowanie dalekiego ultrafioletu starych populacji gwiazd. Jest to jeden z elementów interpretacji UV upturn, czyli nadmiaru promieniowania UV obserwowanego w części starych populacji gwiazdowych, na przykład w galaktykach eliptycznych.

W tym przypadku trzeba przejść od pojedynczych gwiazd do statystyki całej populacji.

I właśnie tutaj automatyczna analiza dużych katalogów daje największą przewagę. Nie dlatego, że zastępuje astronoma, ale dlatego, że pozwala przejść od kilkudziesięciu starannie wybranych obiektów do tysięcy kandydatów analizowanych według tych samych kryteriów.

Cena jest oczywista: im większą część selekcji oddajemy algorytmowi, tym dokładniej musimy kontrolować, czego algorytm naprawdę się nauczył.

Model wytrenowany na znanych sdB najłatwiej znajdzie kolejne obiekty podobne do znanych sdB. Nietypowe źródło może otrzymać niską pewność klasyfikacji nie dlatego, że jest nieinteresujące, ale właśnie dlatego, że nie przypomina danych treningowych.

Dlatego anomalie są warte sprawdzania, lecz także tutaj potrzebna jest dyscyplina.

Nietypowy punkt może oznaczać:

• rzadki obiekt astrofizyczny,

• nietypowy układ wielokrotny,

• źle określoną klasę,

• problem instrumentalny,

• błędną astrometrię,

• zlanie kilku źródeł.

Odstawanie od populacji jest powodem do kontroli, a nie dowodem odkrycia nowej fizyki.

Jeśli trzeba wskazać jedną rzecz, od której należy zaczynać analizę wyniku AI, nie jest nią wysokość „accuracy”. Najpierw trzeba sprawdzić, co dokładnie było klasą referencyjną, jakie dane trafiły do modelu i jak wyglądały pomyłki. Dopiero później warto patrzeć na imponujące wartości procentowe. W badaniu rzadkich gwiazd model, który potrafi powiedzieć „nie wiem”, bywa bardziej użyteczny od modelu deklarującego wysoką pewność przy każdym źródle.

FAQ

Czy sztuczna inteligencja naprawdę odkrywa gorące podkarły?
Najczęściej AI selekcjonuje lub klasyfikuje kandydatów na podstawie danych z przeglądu nieba. Sam wynik modelu nie potwierdza natury obiektu. Do tego potrzebne są niezależne obserwacje i analiza fizyczna.

Czy wynik 84,94% oznacza, że CNN myli się dokładnie w 15,06% przypadków?
Nie. Wartość 84,94% dotyczy konkretnego eksperymentu klasyfikacyjnego i konkretnej próbki danych. Nie można jej zamienić na uniwersalne prawdopodobieństwo poprawności każdej przyszłej klasyfikacji.

Dlaczego nie wystarczy znaleźć bardzo niebieskiej gwiazdy?
Ponieważ podobne kolory mogą mieć różne klasy gorących obiektów. Do wiarygodnej identyfikacji trzeba połączyć położenie na diagramie kolor–jasność, spektrofotometrię lub spektroskopię oraz – zależnie od pytania – informacje o zmienności i ruchu orbitalnym.

Czy Gaia sama potwierdzi, że sdB jest w układzie podwójnym?
Nie zawsze. Gaia może dostarczyć silnych przesłanek, a w części przypadków również dodatkowych informacji astrometrycznych lub spektroskopowych, ale ciasne układy często wymagają serii pomiarów prędkości radialnych albo analizy zmienności światła.

Po czym można poznać chłodnego towarzysza gorącego podkarła?
Jednym ze śladów jest nadmiar strumienia przy dłuższych długościach fali. Gorący sdB dominuje w niebieskiej części rozkładu energii, natomiast chłodniejszy towarzysz wnosi proporcjonalnie więcej światła w czerwieni i podczerwieni.

Czy AI może znaleźć całkowicie nieznany rodzaj gwiazdy?
Może wskazać źródło, które wyraźnie odstaje od populacji używanej podczas uczenia. To dopiero początek. Anomalia może być nowym zjawiskiem, rzadkim przedstawicielem znanej klasy albo zwykłym problemem z pomiarem, dlatego konieczna jest niezależna weryfikacja.

Dlaczego liczba układów podwójnych mówi coś o ewolucji gwiazd?
Ponieważ różne mechanizmy powstawania sdB przewidują inne rodzaje pozostałych układów. Common envelope sprzyja układom ciasnym, stabilny transfer masy może pozostawić znacznie szerszą parę, a merger dwóch helowych białych karłów może utworzyć pojedynczego gorącego podkarła. Porównując obserwowaną populację z tymi przewidywaniami, można sprawdzać, które modele rzeczywiście odtwarzają ewolucję gwiazd.