CORDIS - Wyniki badań wspieranych przez UE
CORDIS

Origins of the Molecular Cloud Structure

Article Category

Article available in the following languages:

Nowe badanie stawia proces powstawania gwiazd w nowym świetle

Dzięki nowemu badaniu możemy dowiedzieć się więcej o obłokach gazu, ich lokalizacji w galaktyce Drogi Mlecznej oraz roli jaką odgrywają w powstawaniu nowych gwiazd.

Przemysł kosmiczny icon Przemysł kosmiczny

We wcale nie tak odległej galaktyce właśnie rodzi się gwiazda. A mówiąc dokładniej, każdego roku w galaktyce Drogi Mlecznej przybywa kilkanaście nowych gwiazd. Choć wiemy już, że nowe gwiazdy powstają w wyniku swobodnego zapadania się gazu międzygwiazdowego, wiele ważnych pytań na temat tego procesu wciąż pozostaje bez odpowiedzi: Jaką rolę w formowaniu się gwiazd odgrywają grawitacja i turbulencje? Jak dystrybuowany jest gaz międzygwiazdowy? Jak to się dzieje, że w galaktykach przybywa nowych gwiazd? Poszukiwanie odpowiedzi na te i inne pytania było celem finansowanego ze środków UE projektu PROMISE. „Chcieliśmy uzyskać nowe informacje o tym, jak cząsteczki gazu przemieszczają się i ewoluują w obłoku oraz jak w wyniku tego procesu formują się gwiazdy”, mówi Jouni Kainulainen, badacz z Uniwersytetu Technologicznego Chalmers i koordynator projektu PROMISE. „Ta wiedza z pewnością pomoże naukowcom w dokładniejszym ustaleniu złożonego składu chemicznego wnętrza obłoku gazu”.

Mapowanie i uczenie maszynowe

Głównym celem projektu realizowanego dzięki wsparciu Europejskiej Rady ds. Badań Naukowych było opracowanie innowacyjnej mapy opisującej lokalizację i budowę tysięcy obłoków gazu, z których powstają gwiazdy w galaktyce Drogi Mlecznej. „Mapa jest zdecydowanie najważniejszym owocem naszych prac i przez kolejne lata będzie pomagała badaczom i astronomom w prowadzeniu badań nad obłokami gazu i procesami formowania się gwiazd”, wyjaśnia Kainulainen. Kolejnym ważnym osiągnięciem naukowców było ustalenie, w jaki sposób przemieszcza się gaz znajdujący się w naszej galaktyce. Było to możliwe dzięki wykorzystaniu algorytmów uczenia maszynowego. „Współczesne teleskopy generują wprost niewyobrażalne ilości danych”, zauważa Kainulainen. „Uczenie maszynowe jest narzędziem, które pomaga w lepszym zrozumieniu ich sensu”. Zdaniem badacza nowo opracowane algorytmy umożliwiają automatyzację procesów analitycznych, które kiedyś badacze zmuszeni byli wykonywać nieuzbrojonym okiem, kierując się wyłącznie swoją najlepszą wiedzą. I dodaje: „Dzisiaj potrafimy szybko analizować duże zbiory danych i czerpać z nich informacje, które w przeciwnym razie byłyby dla nas niedostępne”. Nowa technologia pomogła zespołowi projektu w zebraniu nowych informacji na temat lokalizacji i przemieszczania się gazu w galaktyce Drogi Mlecznej. Wyniki okazały się zaskakujące. „Odkryliśmy, że gaz międzygwiazdowy, niezależnie od lokalizacji, wykazuje nietypowe choć powtarzalne wzorce kinematyczne”, mówi Kainulainen. „Wciąż nie są one dla nas w pełni zrozumiałe, co daje pole dla przyszłych projektów badawczych”. Zespół badał również budowę obłoków gazu międzygwiazdowego oraz ich rolę w powstawaniu gwiazd. „Należymy do pionierów w tym obszarze nauki, gdyż jako pierwsi opisaliśmy, jak gaz w dobrze poznanych obłokach takich jak Orion ulega fragmentacji do mniejszych cząstek, z których ostatecznie powstaje gwiazda”, dodaje badacz.

Nowe gwiazdy i nowe wyzwania

Choć projekt PROMISE zakończył się, opracowana w jego ramach mapa będzie stale aktualizowana o nowe informacje i dane. Badacze planują ponadto w dalszym ciągu prowadzić swoje dociekania i poszukiwać odpowiedzi na pytania, które zrodziły się w trakcie projektu. „Jestem dumny, że pomimo wielu trudności związanych z gromadzeniem danych i prowadzeniem badań w czasie pandemii COVID-19 udało się nam uzyskać ważne i długotrwałe wyniki”, podsumowuje Kainulainen. „W szczególności jestem dumny z całego zespołu i wkładu, jaki wspólnie wnieśliśmy w dziedzinę badań nad ośrodkami międzygwiazdowymi”.

Słowa kluczowe

PROMISE, formowanie się gwiazd, obłoki gazu, Droga Mleczna, galaktyka, gaz międzygwiazdowy, astronomowie, uczenie maszynowe, dane, algorytm

Znajdź inne artykuły w tej samej dziedzinie zastosowania