Mange aktuelle og spændende videnskabelige spørgsmål, som astronomer forsøger at besvare, kræver, at de indsamler store prøver af forskellige kosmiske begivenheder. Som et resultat er moderne astronomiske observatorier blevet ubarmhjertige datagenererende maskiner, der kaster tusindvis af advarsler og billeder mod astronomer hver nat.
Ved hjælp af en maskinlæringsalgoritme samarbejder astronomer fra Zwicky Transient Facility kl Caltech med succes klassificeret 1000 supernovaer autonomt. Algoritmen blev anvendt på data fanget af Zwicky Transient Facility, eller ZTF, et himmelundersøgelsesinstrument baseret på Caltechs Palomar Observatory.
Hver nat analyserer ZTF nattehimlen for ændringer kendt som forbigående hændelser. Dette dækker alt, fra asteroider i bevægelse til nyligt fortærede stjerner sorte huller til eksploderende stjerner kaldet supernovaer. ZTF underretter astronomer verden over om disse forbigående fænomener ved at sende hundredtusindvis af signaler hver nat.
Astronomer bruger derefter andre teleskoper til at følge op og undersøge arten af de skiftende objekter. Indtil videre har ZTF-data ført til opdagelsen af tusindvis af supernovaer.
Matthew Graham, projektforsker for ZTF og forskningsprofessor i astronomi ved Caltech, sagde: "Den traditionelle forestilling om en astronom, der sidder ved observatoriet og sigter gennem teleskopbilleder, rummer en masse romantik, men er på vej væk fra virkeligheden."
Ved hjælp af maskinlæringsalgoritmer udviklede astronomer SNIascore til at klassificere kandidater supernovaer. SNIascore kan klassificere, hvad der er kendt som Type Ia supernovaer, eller "standard stearinlys" på himlen. Disse døende stjerner slår til med en termonuklear eksplosion af konstant styrke.
Forskere arbejder nu på at udvide algoritmens muligheder for at klassificere andre typer supernovaer i den nærmeste fremtid.
Christoffer Fremling, en stabsastronom hos Caltech og hjernen bag den nye algoritme, kaldet SNIascore, sagde: "Vi havde brug for en hjælpende hånd, og vi vidste, at når vi først havde trænet vores computere til at udføre arbejdet, ville de tage en stor belastning af ryggen på os. SNIascore klassificerede sin første supernova i april 2021, og halvandet år senere rammer vi en flot milepæl på 1,000 supernovaer."
"SNIascore er bemærkelsesværdigt præcis. Efter 1,000 supernovaer har vi set, hvordan algoritmen klarer sig i den virkelige verden. Vi har ikke fundet nogen fejlklassificerede hændelser siden lanceringen tilbage i april 2021, og vi planlægger at implementere den samme algoritme med andre observationsfaciliteter."
Ashish Mahabal, der leder maskinlæringsaktiviteter for ZTF og fungerer som den ledende beregnings- og dataforsker ved Caltechs Center for Data-Driven Discovery, tilføjer, "Dette arbejde viser godt hvordan machine learning applikationer er ved at blive myndige inden for astronomi næsten i realtid."
Ashish Mahabal, en beregningsforsker ved Caltechs Center for Data-Driven Discovery, som leder maskinlæringsaktiviteter for ZTF, sagde, "SNIascore ligger oven på andre underliggende maskinlæringsalgoritmer og lag, som vi har udviklet til ZTF, og det demonstrerer godt, hvordan maskinlæringsapplikationer bliver myndige i næsten realtidsastronomi."
