Vita dvärgar är stjärnor i sitt sista skede. De har
förbrukat sitt bränsle, släppt ut sina yttre lager av materia i rymden och
svalnar långsamt. En dag kommer vår sol att bli en vit dvärg efter att solen
först svällt upp till en röd jättestjärna och troligen slukat Jorden. En typisk
vit dvärg har en radie som är 1 procent av solens men grovt räknat samma massa.
Detta motsvarar en täthet på cirka 1 ton per kubikcentimeter.
Astronomer har nyligen hittat hundratals vita dvärgstjärnor i Vintergatan som slukar planeter som finns i omloppsbana runt
dem (inte att förväxla med då en sol sväller upp till en röd jätte och slukar en planet. I vita dvärgstadiet som kommer efter det röda då en sol dras samman handlar det om gravitation från en mycket tät kropp som drar till sig en en planet). Planeter som dessa är svåra att finna men intressanta att studera under
den tid de förstörs eller kommer att förstöras genom att de dras in mot och ner på en vit dvärgstjärna..
Historiskt sett har astronomer varit tvungna att
manuellt gå igenom mängder av kartläggningsdata för att hitta tecken på dessa
stjärnors existens. Uppföljande observationer skulle sedan bevisa eller
motbevisa tecken på deras existens. Genom att använda en ny form av artificiell
intelligens, kallad mångfaldig inlärning, har ett team under ledning av
doktoranden Malia Kao vid University of Texas i Austin påskyndat processen
med en ny AI algoritm som till 99 % lyckas med identifiering
av dessa objekt.
Vi vet
planeterna som kretsar kring en vit dvärg kan dras mot den dennas starka
gravitation och slitas isär och förtäras. När detta händer blir den vita dvärgen "förorenad" med tungmetaller från planeten kärna. Eftersom vita
dvärgars atmosfärer nästan helt består av väte och helium kan närvaron av andra
grundämnen på ett tillförlitligt sätt tillskrivas externa källor.
"För förorenade vita dvärgar bränns planetenskärna bokstavligen fast på stjärnans yta så vi kan upptäcka den", beskriver Kao.
"Förorenade vita dvärgar är det bästa sättet vi kan karakterisera exoplaneters inre på efter att de slukats."
Även om astronomer kan identifiera dessa stjärnor
genom att manuellt granska data från astronomiska kartläggningar är det tidskrävande. För att testa en snabbare process använde därför teamet AI på data som
fanns tillgänglig från rymdteleskopet Gaia insamling. "Gaia ger en av de största
spektroskopiska undersökningarna av vita dvärgar hittills, men dess data är så
lågupplöst att vi trodde att det inte skulle vara möjligt att hitta förorenade
vita dvärgar med den", beskriver Hawkins. "Men det här arbetet visar
att det går."
För att hitta dessa svårfångade stjärnor använde
teamet sig av AI-tekniken som innebär mångfaldig inlärning. Med algoritmen letas
efter liknande funktioner i en uppsättning data och klumpar ihop liknande
objekt i ett förenklat, visuellt diagram. Forskarna kan sedan granska
diagrammet och avgöra vilka klumpar som motiverar ytterligare undersökning.
Astronomerna skapade algoritmen för att sortera över 100 000 möjliga vita dvärgar. Av dessa sågs 375 stjärnor lovande ut. Det visade den viktigaste egenskapen, att de hade tungmetaller i sina atmosfärer. Uppföljande observationer med Hobby-Eberly-teleskopet vid UT:s McDonald-observatorium bekräftade astronomernas misstankar.
Forskningen använde sig av data från Europeiska
rymdorganisationens (ESA) uppdrag Gaia. Uppgifterna bearbetades av Gaia Data
Processing and Analysis Consortium. Uppföljande observationer gjordes med Hobby-Eberly
Telescope (HET), som är ett samarbete mellan University of Texas i Austin,
Pennsylvania State University, Ludwig Maximilians-Universitaet München och
Georg-August Universitaet Göttingingen, och med Very Large Telescope (VLT) vid
Europeiska sydobservatoriet (ESO). Texas Advanced Computing Center vid UT
Austin tillhandahöll högpresterande databehandlings-, visualiserings- och
lagringsresurser för denna forskning.
Resultaten av denna lyckade identifiering
publicerades nyligen i Astrophysical
Journal.
Bild https://news.utexas.edu/ Bildkredit: NASA,
ESSA, Joseph Olmsted (STScI).
