Početkom studenoga, Opservatorij Vera C. Rubin započinje desetogodišnje promatranje noćnog neba u sklopu programa Legacy Survey of Space and Time (LSST). Osim što će generirati najveću arhivu optičkih podataka u povijesti astronomije, ova misija ima ambiciju testirati jednu od najkontroverznijih hipoteza moderne kozmologije — postojanje primordijalnih crnih rupa kao mogućih nositelja tamne tvari.
Primordijalne crne rupe (engl. PBH) zamišljeni su kao objekti koji su nastali tijekom ekstremnih gustoća u prvim trenucima nakon Velikog praska. Za razliku od crnih rupa koje nastaju urušavanjem masivnih zvijezda, PBH bi mogli postojati u širokom rasponu masa — od planetarnih do astrofizičkih — i ne bi emitirali nikakvo zračenje.
LSST će ih pokušati detektirati mikrolećom: gravitacijskim efektom koji nastaje kad PBH prođe ispred pozadinske zvijezde i njezin sjaj privremeno poraste. Taj se porast događa u roku od nekoliko sati do nekoliko dana, ovisno o masi objekta. U teoriji, takve bi pojave LSST trebao redovito hvatati — u praksi, stvar je znatno složenija.
Statistika u službi detekcije
Porast sjaja zvijezde ne znači nužno da je ispred nje prošla primordijalna crna rupa. Slične efekte mogu proizvesti promjenjive zvijezde, smetnje u detektorima, šum u podacima ili atmosferski uvjeti. Ključni zadatak algoritama bit će razlikovati stvarne mikroleće od pozadinskih anomalija — s razinom pouzdanosti koja ne ostavlja prostor za sumnju.
Tim sa sveučilišta u Durhamu i Novom Meksiku testirao je nekoliko statističkih metoda na simuliranim podacima LSST-a. Cilj: razviti sustav u kojem je vjerojatnost lažne detekcije manja od jednog slučaja na deset milijuna opažanja.
Najlošije rezultate dao je klasični hi-kvadrat test (χ²), poznat iz osnovne statistike. Taj pristup uspoređuje oblik svjetlosne krivulje s modelom mikroleće, no osjetljiv je na šum i često pogrešno klasificira signale.
Mnogo bolje se pokazao algoritam strojnog učenja poznat kao Boosted Decision Tree (BDT), treniran na prepoznavanje razlika između statičnih i mikrolećnih uzoraka. Ipak, najprecizniji rezultati postignuti su Bayesovim informacijskim kriterijem (BIC), koji u analizu uključuje kaznu za kompleksnost modela, čime učinkovito filtrira slučajne fluktuacije.
Raščlamba rijetkih slučajeva
Idući korak bila je obrada statističkih repova — ekstremnih vrijednosti u izlaznim podacima BDT i BIC metoda. Modeliranjem tih rijetkih slučajeva dodatnim distribucijama, autori su dodatno smanjili broj lažno pozitivnih detekcija i povećali ukupnu pouzdanost.
Prema njihovim izračunima, već nakon prve godine rada LSST-a bit će moguće postaviti donje granice na masu potencijalnih primordijalnih crnih rupa. Tijekom desetljeća promatranja, ti će se parametri dodatno suziti, potencijalno omogućujući potvrdu ili isključenje PBH hipoteze u kontekstu tamne tvari.
Točan raspored i učestalost opažanja još nisu definirani. Simulacije korištene u istraživanju temelje se na okvirnim modelima, a ne na stvarnom radnom režimu Opservatorija Vera C. Rubin. Učestalost snimanja uvelike će utjecati na osjetljivost detekcije mikroleće, što znači da će se i modeli morati prilagoditi stvarnim uvjetima rada.
