Реконструкция кривой блеска гамма-всплесков с помощью прогнозирующих моделей.
Авторы
DOI:
https://doi.org/10.31489/2025N4/132-142Ключевые слова:
гамма-всплеск, глубокое обучение, нейронные сети, кривая блескаАннотация
Гамма-всплески представляют собой одно из самых энергичных и сложных явлений во Вселенной, характеризующееся сильно изменяющимися кривыми блеска, которые часто содержат пробелы в наблюдениях. Реконструкция этих кривых блеска необходима для более глубокого понимания физических процессов, лежащих в основе таких событий. В этом исследовании предлагается основанная на машинном обучении система реконструкции кривых блеска гамма-всплесков, в которой особое внимание уделяется фазе плато, наблюдаемой в рентгеновских данных. В ходе анализа сравнивается эффективность трех последовательных подходов к моделированию: двунаправленной рекуррентной нейронной сети, закрытой рекуррентной архитектуры и сверточной модели, разработанной для временных данных. Результаты этого исследования показывают, что двунаправленная стробированная рекуррентная единичная модель продемонстрировала наилучшую точность прогнозирования среди оцененных моделей по всем типам гамма-всплесков, измеряемую по средней абсолютной ошибке, среднеквадратичной ошибке и коэффициенту детерминации. Примечательно, что двунаправленный стробируемый рекуррентный модуль продемонстрировал расширенные возможности в моделировании как постепенных фаз плато, так и резких переходных процессов, включая вспышки и разрывы, особенно в сложных сценариях кривой блеска.
Библиографические ссылки
Kumar P., Zhang B. (2015) The physics of gamma-ray bursts & relativistic jets. Physics Reports, 561, 1-109. https://doi.org/10.1016/j.physrep.2014.09.008. DOI: https://doi.org/10.1016/j.physrep.2014.09.008
Meegan C.A., Fishman G.J., Wilson R.B., Paciesas W.S., Pendleton G.N., Horack J.M., Kouveliotou C. (1992) Spatial distribution of γ-ray bursts observed by BATSE. Nature, 355 (6356), 143-145. https://doi.org/10.1038/355143a0. DOI: https://doi.org/10.1038/355143a0
Barthelmy S.D., Chincarini G., Burrows D.N., Gehrels N., Covino S., Moretti A., Wijers R.A.M.J. (2005) An origin for short γ-ray bursts unassociated with current star formation. Nature, 438(7070), 994–996, https://doi.org/10.1038/nature04392 DOI: https://doi.org/10.1038/nature04392
Burrows D.N., Romano P., Falcone A., Kobayashi S., Zhang B., Moretti A., Gehrels N. (2005) Bright X-ray flares in gamma-ray burst afterglows. Science, 309(5742), 1833-1835. https://doi.org/10.1126/science.1116168. DOI: https://doi.org/10.1126/science.1116168
Boella G., Butler R. C., Perola G. C., Piro L., Scarsi L., Bleeker J. A. M. (1997) BeppoSAX, the wide band mission for X-ray astronomy. Astronomy and Astrophysics Supplement Series, 122(2), 299-307. https://doi.org/10.1051/aas:1997136. DOI: https://doi.org/10.1051/aas:1997136
Ricker G.R., Vanderspek R.K. (2003) Gamma-ray burst and afterglow astronomy 2001: A workshop celebrating the first year of the hete mission. In Gamma-Ray Burst and Afterglow Astronomy 2001: A Workshop Celebrating the First Year of the HETE Mission, 662. https://doi.org/10.1051/0004-6361%3A200809709.
Willingale R., O’brien P.T., Osborne J. P., Godet O., Page K. L., Goad M.R., Chincarini G. (2007) Testing the standard fireball model of gamma-ray bursts using late X-ray afterglows measured by Swift. The Astrophysical Journal, 662(2), 1093. https://doi.org/10.1086/517989. DOI: https://doi.org/10.1086/517989
Zhang Z. B., Choi C.S. (2008) An analysis of the durations of Swift gamma-ray bursts. Astronomy & Astrophysics, 484(2), 293-297. https://doi.org/10.1051/0004-6361:20079210. DOI: https://doi.org/10.1051/0004-6361:20079210
Sourav S., Shukla A., Dwivedi R., Singh K. (2023) Predicting Missing Light Curves of Gamma-Ray Bursts with Bidirectional-LSTM: An Approach for Enhanced Analysis. Available at: https://arxiv.org/abs/2310.02602.
Wang F., Zou Y. C., Liu F., Liao B., Liu Y., Chai Y., Xia L. (2020) A comprehensive statistical study of gamma-ray bursts. The Astrophysical Journal, 893(1), 77. https://doi.org/10.48550/arXiv.1902.05489. DOI: https://doi.org/10.3847/1538-4357/ab0a86
Abdikamalov E., Beniamini P. (2025) Reverse and forward shock afterglow emission from steep jets viewed off-axis. Monthly Notices of the Royal Astronomical Society, 539(3), 2707-2717. https://doi.org/10.1093/mnras/staf649 DOI: https://doi.org/10.1093/mnras/staf649
Komesh T., Grossan B., Maksut Z., Abdikamalov E., Krugov M., Smoot G.F. (2023) Evolution of the afterglow optical spectral shape of GRB 201015A in the first hour: evidence for dust destruction. Monthly Notices of the Royal Astronomical Society, 520(4), 6104-6110. https://doi.org/10.1093/mnras/stad538 DOI: https://doi.org/10.1093/mnras/stad538
Gritsevich M., Castro-Tirado A. J., Kubánek P., Pandey S.B., Hiriart D. (Eds.) (2025). Early-time optical spectral shape measurements of GRB 200925B. In VII Workshop on Robotic Autonomous Observatories (Revista Mexicana de Astronomía y Astrofísica, Serie de Conferencias, 59, 109–113. https://doi.org/10.22201/ia.14052059p.2025.59.20
Baron D. (2019) Machine learning in astronomy: A practical overview. arXiv preprint arXiv:1904.07248. https://doi.org/10.48550/arXiv.1904.07248
Fluke C. J., Jacobs C. (2020) Surveying the reach and maturity of machine learning and artificial intelligence in astronomy. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(2), e1349. https://doi.org/10.48550/arXiv.1912.02934. DOI: https://doi.org/10.1002/widm.1349
Zhang H., Wang J., Zhang Y., Du X., Wu H., Zhang T. (2023) Review of artificial intelligence applications in astronomical data processing. Astronomical Techniques and Instruments, 1(1), 1-15. https://doi.org/10.61977/ati2024001. DOI: https://doi.org/10.61977/ati2024001
Ussipov N., Zhanabaev Z., Almat A., Zaidyn M., Turlykozhayeva D., Akniyazova A., Namazbayev T. (2024) Classification of Gravitational Waves from Black Hole-Neutron Star Mergers with Machine Learning. Journal of Astronomy and Space Sciences, 41(3), 149-158. https://doi.org/10.5140/JASS.2024.41.3.149. DOI: https://doi.org/10.5140/JASS.2024.41.3.149
Akhmetali A., Namazbayev T., Subebekova G., Zaidyn M., Akniyazova A., Ashimov Y., Ussipov N. (2024) Classification of Variable Star Light Curves with Convolutional Neural Network. Galaxies, 12(6), 75. https://doi.org/10.3390/galaxies12060075. DOI: https://doi.org/10.3390/galaxies12060075
Ussipov N., Akhtanov S., Zhanabaev Z., Turlykozhayeva D., Karibayev B., Namazbayev T., Tang X. (2024) Automatic modulation classification for MIMO system based on the mutual information feature extraction. IEEE Access, 12, 68463-68470. https://doi.org/10.1109/ACCESS.2024.3400448. DOI: https://doi.org/10.1109/ACCESS.2024.3400448
Akhmetali A., Zhunuskanov A., Sakan A., Zaidyn M., Namazbayev T., Turlykozhayeva D., Ussipov N. (2025) Luminis Stellarum et Machina: Applications of Machine Learning in Light Curve Analysis. https://doi.org/10.48550/arXiv.2504.10038.
VanderPlas J., Connolly A. J., Ivezić Ž., Gray A. (2012) Introduction to astroML: Machine learning for astrophysics. Proceeding of the 2012 conference on intelligent data understanding, IEEE, 47-54. https://doi.org/10.1109/CIDU.2012.6382200. DOI: https://doi.org/10.1109/CIDU.2012.6382200
Turmaganbet U., Zhexebay D., Turlykozhayeva D., Skabylov A., Akhtanov S., Temesheva S., Masalim P., Tao M. (2025). Eurasian Physical Technical Journal, 22(2 (52), 121–132. https://doi.org/10.31489/2025N2/121-132. DOI: https://doi.org/10.31489/2025N2/121-132
Kruiswijk K., de Wasseige G. (2023). The classification and categorisation of gamma-ray bursts with machine learning techniques for neutrino detection. arXiv preprint arXiv:2308.12672. https://doi.org/10.48550/ arXiv.2308.12672 DOI: https://doi.org/10.22323/1.444.1508
Zhang P., Li B., Gui R., Xiong S., Zou Z.C., Wang X., Zhao H. (2024) Application of Deep-learning Methods for Distinguishing Gamma-Ray Bursts from Fermi/GBM Time-tagged Event Data. The Astrophysical Journal Supplement Series, 272(1), 4. https://doi.org/10.48550/arXiv.2303.00370. DOI: https://doi.org/10.3847/1538-4365/ad2de5
Mehta N., Iyyani S. (2024) Exploring Gamma-Ray Burst Diversity: Clustering Analysis of the Emission Characteristics of Fermi-and BATSE-detected Gamma-Ray Bursts. The Astrophysical Journal, 969(2), 88. https://doi.org/10.3847/1538–4357/ad43e7. DOI: https://doi.org/10.3847/1538-4357/ad43e7
Kumar A., Sharma K., Vinkó J., Steeghs D., Gompertz B., Lyman J., Pursiainen M. (2024) Magnetars as powering sources of gamma-ray burst associated supernovae, and unsupervised clustering of cosmic explosions. Monthly Notices of the Royal Astronomical Society, 531(3), 3297-3309. https://doi.org/10.48550/arXiv.2403.18076. DOI: https://doi.org/10.1093/mnras/stae901
Garcia-Cifuentes K., Becerra R.L., De Colle F. (2024) ClassiPyGRB: Machine Learning-Based Classification and Visualization of Gamma Ray Bursts using t-SNE. arXiv preprint arXiv:2404.06439, https://arxiv.org/abs/2404.06439 DOI: https://doi.org/10.21105/joss.05923
Misra K., Arun K.G. (2024) Diversity in Fermi/GBM Gamma-Ray Bursts: New Insights from Machine Learning. The Astrophysical Journal, 974(1), 55. https://doi.org/10.3847/1538–4357/ad6d6a. DOI: https://doi.org/10.3847/1538-4357/ad6d6a
Chen J. M., Zhu K.R., Peng Z. Y., Zhang L. (2024) Unsupervised machine learning classification of Fermi gamma-ray bursts using spectral parameters. Monthly Notices of the Royal Astronomical Society, 527(2), 4272-4284. https://doi.org/10.1093/mnras/stad3407. DOI: https://doi.org/10.1093/mnras/stad3407
Zhu S.Y., Sun W.P., Ma D.L., Zhang,F.W. (2024) Classification of Fermi gamma-ray bursts based on machine learning. Monthly Notices of the Royal Astronomical Society, 532(2), 1434-1443. https://doi.org/10.48550/arXiv.2406.05357. DOI: https://doi.org/10.1093/mnras/stae1594
Dainotti M.G., Sharma R., Narendra A., Levine D., Rinaldi E., Pollo A., Bhatta G. (2023) A stochastic approach to reconstruct gamma-ray-burst light curves. The Astrophysical Journal Supplement Series, 267(2), 42. https://arxiv.org/abs/2304.00520. DOI: https://doi.org/10.3847/1538-4365/acdd07
Falco R., Parmiggiani N., Bulgarelli A., Panebianco G., Castaldini L., Di Piano A., Tavani M. (2025). A New Deep Learning Model for Gamma-Ray Bursts' Light Curves Simulation. In Astronomical Society of the Pacific Conference Series , 541, 230. https://doi.org/10.26624/BXNK3217
Bai S., Kolter J.Z., Koltun V. (2018) An empirical evaluation of generic convolutional and recurrent networks for sequence modeling. arXiv preprint arXiv:1803.01271. https://doi.org/10.48550/arXiv.1803.01271.
