Viele aktuelle und spannende wissenschaftliche Fragen, die Astronomen zu beantworten versuchen, erfordern die Sammlung großer Proben verschiedener kosmischer Ereignisse. Infolgedessen sind moderne astronomische Observatorien zu unermüdlichen Datengenerierungsmaschinen geworden, die jede Nacht Tausende von Warnungen und Bildern auf Astronomen werfen.
Mithilfe eines Algorithmus für maschinelles Lernen haben Astronomen der Zwicky Transient Facility-Kollaboration bei Caltech 1000 Supernovae erfolgreich autonom klassifiziert. Der Algorithmus wurde auf Daten angewendet, die von der Zwicky Transient Facility (ZTF) erfasst wurden, einem Himmelsdurchmusterungsinstrument am Palomar-Observatorium des Caltech.
Jede Nacht analysiert das ZTF den Nachthimmel auf Veränderungen, sogenannte transiente Ereignisse. Dies deckt alles ab, von Asteroiden in Bewegung bis hin zu kürzlich verschlungenen Sternen Schwarze Löcher zu explodierenden Sternen, sogenannten Supernovae. ZTF benachrichtigt Astronomen weltweit über diese vorübergehenden Phänomene, indem es jede Nacht Hunderttausende Signale sendet.
Anschließend verwenden Astronomen andere Teleskope, um die Natur der sich verändernden Objekte zu verfolgen und zu untersuchen. Bisher haben ZTF-Daten zur Entdeckung Tausender Supernovae geführt.
Matthew Graham, Projektwissenschaftler beim ZTF und Forschungsprofessor für Astronomie am Caltech, sagte: „Die traditionelle Vorstellung eines Astronomen, der am Observatorium sitzt und die Bilder eines Teleskops durchsucht, birgt viel Romantik in sich, entfernt sich aber von der Realität.“
Mithilfe von Algorithmen für maschinelles Lernen haben Astronomen SNIascore entwickelt, um Kandidaten zu klassifizieren Supernovae. SNIascore kann sogenannte Supernovae vom Typ Ia oder die „Standardkerzen“ am Himmel klassifizieren. Diese sterbenden Sterne explodieren mit einer thermonuklearen Explosion konstanter Stärke.
Wissenschaftler arbeiten derzeit daran, die Fähigkeiten des Algorithmus zu erweitern, um in naher Zukunft auch andere Arten von Supernovae zu klassifizieren.
Christoffer Fremling, ein angestellter Astronom am Caltech und der Vordenker hinter dem neuen Algorithmus namens SNIascore, sagte: „Wir brauchten eine helfende Hand, und wir wussten, dass sie uns eine große Last vom Rücken nehmen würden, wenn wir unsere Computer erst einmal für die Arbeit trainiert hätten. SNIascore klassifizierte seine erste Supernova im April 2021 und anderthalb Jahre später erreichen wir einen schönen Meilenstein von 1,000 Supernovae.“
„SNIascore ist bemerkenswert genau. Nach 1,000 Supernovae haben wir gesehen, wie sich der Algorithmus in der realen Welt verhält. Wir haben seit dem Start im April 2021 keine falsch klassifizierten Ereignisse gefunden und planen, den gleichen Algorithmus mit anderen Beobachtungseinrichtungen zu implementieren.“
Ashish Mahabal, der maschinelle Lernaktivitäten für ZTF leitet und als leitender Computer- und Datenwissenschaftler am Center for Data-Driven Discovery des Caltech fungiert, fügt hinzu: „Diese Arbeit zeigt gut, wie Maschinelles Lernen Anwendungen in der nahezu Echtzeit-Astronomie werden erwachsen.“
Ashish Mahabal, ein Informatiker am Caltech Center for Data-Driven Discovery, der maschinelle Lernaktivitäten für ZTF leitet, sagte, „SNIascore basiert auf anderen zugrunde liegenden Algorithmen und Schichten für maschinelles Lernen, die wir für ZTF entwickelt haben, und zeigt gut, wie Anwendungen für maschinelles Lernen in der nahezu Echtzeit-Astronomie erwachsen werden.“
