Un nuovo studio pubblicato su Nature Astronomy rivela che il machine learning può aiutare a scoprire la molteplicità delle prime stelle, fornendo importanti informazioni sulla formazione delle galassie. Le prime stelle sono state a lungo un mistero per gli astronomi, ma le composizioni degli elementi della seconda generazione di stelle, osservate come stelle EMP (extremely metal-poor), hanno permesso di comprenderne meglio la natura.
Machine Learning Detects Multiplicity of the First Stars in Stellar Archaeology Data
– download pdf
– link articolo
Tuttavia, non era ancora possibile avere una conoscenza accurata sulla molteplicità delle prime stelle. Per risolvere questo problema, un gruppo di ricercatori ha sviluppato un nuovo metodo di machine learning per classificare le stelle EMP osservate in stelle mono- o multi-enriched con l’ausilio dei support vector machines.
Inoltre, i ricercatori hanno utilizzato i risultati delle proprie simulazioni di nucleosintesi per le supernove a collasso del nucleo, che hanno permesso di spiegare molte delle stelle EMP osservate. Il nuovo metodo di classificazione ha rivelato per la prima volta che il 31,8% ± 2,3% delle 462 stelle EMP analizzate sono classificate come mono-enriched, mentre la maggioranza delle stelle EMP sono probabilmente multi-enriched. Questo suggerisce che le prime stelle sono nate in piccoli gruppi.
Inoltre, il team di ricerca ha scoperto che gli elementi informativi per la classificazione sono Fe, Mg, Ca e C, mentre l’ossigeno, nonostante sia poco osservabile, è molto informativo. Il nuovo metodo di machine learning apre la strada per ulteriori studi sulla formazione delle galassie e sulle prime stelle, utilizzando i dati delle ricerche di archeologia galattica.