Mostra sommario Nascondi sommario
Un team italiano ha messo a punto un approccio che combina astronomia, statistica e intelligenza artificiale per studiare la giovinezza delle stelle nella Via Lattea. Il risultato apre nuove possibilità per misurare età e temperature stellari su grandi campioni, sfruttando banche dati di osservazioni e reti neurali addestrate su strumenti di alta precisione.
AI applicata alle stelle: come funziona il nuovo sistema
La ricerca nasce da una collaborazione tra INAF e l’Università degli studi di Palermo. L’idea è utilizzare una rete neurale per collegare i colori misurati nelle osservazioni fotometriche alle proprietà fisiche delle stelle.
Oscar 2026 miglior documentario Mr. Nobody Against Putin vince: il discorso di Borenstein scuote
Instagram elimina la crittografia nei DM: cosa cambia dall’8 maggio
Dati e fonti utilizzate
- Gaia (ESA) per posizioni e fotometria su larga scala.
- 2MASS per misure nel vicino infrarosso.
- Dati spettroscopici di riferimento ottenuti con FLAMES al VLT.
Perché una rete neurale
- Impara relazioni non lineari tra colore e temperatura.
- Richiede solo dati fotometrici per estendere le stime a molti oggetti.
- Riproduce accuratezze vicine alla spettroscopia quando è ben addestrata.
Il modello è stato addestrato su uno spettro di stelle osservate con FLAMES. In questo modo la rete ha imparato ad associare pattern fotometrici a valori fisici affidabili. Il vantaggio è poter applicare il modello a milioni di sorgenti senza osservazioni spettroscopiche dedicate.
Scoperte principali: età diverse e formazione stellare a tappe
L’applicazione del modello alle stelle a bassa massa ha evidenziato alcune sorprese rispetto alle valutazioni precedenti.
- Molti ammassi risultano più vecchi delle stime tradizionali, anche fino a tre volte.
- La formazione stellare sembra avvenire in più eventi distribuiti nel tempo.
- Le regioni magnetiche superficiali, gli starspot, rendono le stelle giovani più fredde all’apparenza.
Dettagli sull’età e sulle implicazioni
Le stelle con massa inferiore a due masse solari, prevalenti nella Galassia, sono state al centro dell’analisi. Valutazioni basate su fotometria e rete neurale hanno suggerito età maggiori rispetto a quelle ottenute con i metodi convenzionali.
Il ruolo degli starspot nella diagnosi
Gli starspot influenzano i colori apparenti e possono portare a sottostimare la temperatura reale. Inserendo modelli che tengono conto delle macchie magnetiche, la rete neurale corregge questo bias e offre stime più coerenti.
Metodo, vantaggi e limiti per future mappature galattiche
Questo approccio cambia il modo in cui si possono esplorare le popolazioni stellari della Via Lattea. Alcuni punti chiave:
- Scalabilità: il metodo è progettato per funzionare su grandi cataloghi.
- Efficacia: raggiunge accuratezze paragonabili alla spettroscopia dove esistono dati di riferimento.
- Praticità: consente analisi su oggetti per i quali non è possibile ottenere spettroscopia di alta qualità.
Limiti e prospettive
La qualità delle predizioni dipende dalla rappresentatività del set di addestramento. Zone di parametro poco campionate possono penalizzare l’accuratezza. Integrando nuovi spettri di riferimento si potrà ampliare l’affidabilità del modello.
Impatto scientifico e prospettive per lo studio dei bracci galattici
Secondo la responsabile del progetto, Loredana Prisinzano, i risultati contribuiranno a rivedere la storia recente della formazione stellare nei bracci a spirale. Le nuove età e la natura episodica della nascita stellare suggeriscono scenari più complessi.
- Rivalutare la cronologia di aggregati stellari.
- Integrare mappe di età con modelli dinamici della Galassia.
- Usare il metodo per selezionare campioni per osservazioni future.
L’approccio mette insieme algoritmi moderni e grandi survey astronomiche, offrendo nuove chiavi per leggere la storia della nostra Galassia.
