Grazie alla collaborazione tra l’Istituto Nazionale di Astrofisica (INAF) e l’Università degli Studi di Palermo sono stati ottenuti nuovi risultati che contribuiscono a migliorare la comprensione dell’evoluzione delle stelle giovani e dei meccanismi alla base della formazione stellare nella nostra Galassia.
Il nuovo metodo, sviluppato da un team interdisciplinare di astrofisici e statistici, si basa sull’impiego di una rete neurale – un modello matematico che imita il funzionamento del cervello per riconoscere schemi e prendere decisioni – che consente di stimare con maggiore precisione la temperatura superficiale e l’età delle stelle giovani utilizzando esclusivamente le osservazioni fotometriche delle survey realizzate dal satellite Gaia dell’Agenzia Spaziale Europea (ESA) e dalla collaborazione 2MASS.
La complessità nella stima dell’età delle stelle giovani
Determinare l’età delle stelle giovani – oggetti celesti con “solo” pochi milioni di anni – è da sempre un compito complesso.
Servono osservazioni spettroscopiche di alta qualità per ottenere risultati affidabili, in particolare misure molto precise della loro temperatura superficiale, nota come temperatura efficace (Teff).
Questo parametro indica quanta energia la stella emetterebbe se fosse un corpo nero, ovvero un oggetto ideale che assorbe tutta l’energia incidente, riemettendola uniformemente come radiazione termica.
Conoscere la temperatura efficace permette agli astronomi di stimare età, massa e stato evolutivo delle stelle.
Big data astrofisici e machine learning
Nell’era dei big data astrofisici disponiamo di cataloghi con centinaia di milioni di stelle, per le quali, però, abbiamo finora soltanto dati fotometrici, insufficienti a stimarne con precisione i parametri fisici.
La rete neurale sviluppata dall’Università degli Studi di Palermo in collaborazione con l’INAF sembra aver superato questo limite, come riportato in un articolo accettato per la pubblicazione su PLOS ONE.
Addestramento del modello e validazione osservativa
Addestrato su un set di migliaia di stelle osservate con lo strumento FLAMES (Focal-plane spectrograph low-res and high-res Echelle Spectrograph) montato sul Very Large Telescope (VLT) dell’ESO, uno dei più grandi e avanzati telescopi al mondo, nell’ambito della survey Gaia-ESO, il nuovo modello computazionale è in grado di individuare relazioni nascoste in “semplici immagini a colori” di stelle, permettendo di ricavarne la temperatura con un’accuratezza paragonabile a quella delle osservazioni spettroscopiche.
Applicazione alle stelle di piccola massa
Il metodo è stato applicato per la prima volta a un ampio campione di stelle di piccola massa (inferiore a due masse solari), che costituiscono la maggior parte della popolazione stellare della Via Lattea.
Un ulteriore avanzamento è stato possibile grazie all’impiego di modelli evolutivi di nuova generazione che tengono conto della presenza di starspot, vaste regioni magnetiche attive simili alle macchie solari.
Queste rendono le stelle giovani apparentemente più fredde e, di conseguenza, più giovani di quanto siano in realtà.
I risultati scientifici e l’impatto sulla formazione stellare
“Integrando questi effetti, abbiamo mostrato che gli ammassi stellari analizzati risultano fino a tre volte più vecchi rispetto alle stime precedenti e che la formazione stellare non avviene in un singolo episodio rapido, bensì secondo un processo articolato in più fasi”, spiega Loredana Prisinzano, responsabile del progetto e prima ricercatrice dell’INAF.
“Questa scoperta contribuirà a ridefinire la nostra comprensione della nascita delle stelle nei bracci di spirale della Galassia”.
Un percorso interdisciplinare tra statistica e astrofisica
La ricerca ha avuto origine da un incontro fortuito che ha dato avvio a un percorso interdisciplinare, capace di sfruttare al massimo le potenzialità del machine learning applicato all’astrofisica.
L’occasione è nata quando Marco Tarantino, giovane dottorando in statistica presso l’Università degli Studi di Palermo, ha iniziato a collaborare con il team di Prisinzano.
“Quando ho iniziato questo progetto non immaginavo che una tesi di statistica potesse portarmi dentro uno dei problemi più affascinanti dell’astrofisica moderna”, racconta Tarantino, primo autore del nuovo studio.
“Lavorare fianco a fianco con gli astrofisici dell’INAF mi ha permesso di comprendere l’impatto reale che un metodo statistico può avere nel risolvere un quesito fisico. La parte più emozionante è stata vedere le ottime previsioni dei valori di temperatura delle stelle giovani ottenuti dalla rete neurale, riuscendo a sfruttare la relazione tra i dati fotometrici e quelli spettroscopici”.
Prospettive future e nuove survey
La metodologia sviluppata rappresenta un avanzamento decisivo nello studio della formazione stellare nella Via Lattea.
L’approccio sfrutta già appieno i dati attualmente disponibili e potrà essere esteso in futuro a distanze maggiori grazie a survey come quelle realizzate con 4MOST, WEAVE, Gaia, Rubin LSST e Roman Telescope.
“Da oltre vent’anni ci confrontiamo con i limiti dei metodi tradizionali per determinare l’età delle stelle giovani”, aggiunge Prisinzano.
“La combinazione tra modelli stellari aggiornati e un algoritmo di apprendimento automatico così avanzato ha permesso di superare ostacoli che ritenevamo strutturali”.
È uno strumento che consentirà di ricostruire con precisione la storia recente della formazione stellare fino a circa cinquemila anni luce dal Sole, e che diventerà ancora più potente con le prossime generazioni di dati di Gaia, Rubin LSST e delle grandi survey spettroscopiche.
La possibilità di determinare l’età delle stelle giovani con un’affidabilità senza precedenti apre la strada a risposte più solide a una delle domande più antiche dell’umanità: come nascono le stelle e quali sono le nostre origini cosmiche?
Redazione Economia dello Spazio Magazine
