Des outils d'apprentissage automatique classifient de manière autonome 1000 supernovae

De nombreuses questions scientifiques actuelles et passionnantes auxquelles les astronomes tentent de répondre nécessitent qu’ils collectent de grands échantillons de différents événements cosmiques. En conséquence, les observatoires astronomiques modernes sont devenus des machines génératrices de données implacables qui envoient chaque nuit des milliers d’alertes et d’images aux astronomes.

À l'aide d'un algorithme d'apprentissage automatique, les astronomes de la collaboration Zwicky Transient Facility de Caltech a classé avec succès 1000 supernovae de manière autonome. L'algorithme a été appliqué aux données capturées par le Zwicky Transient Facility, ou ZTF, un instrument d'étude du ciel basé à l'observatoire Palomar de Caltech.

Chaque nuit, ZTF analyse le ciel nocturne à la recherche d'altérations appelées événements transitoires. Cela couvre tout, des astéroïdes en mouvement aux étoiles récemment dévorées par les trous noirs aux étoiles explosives appelées supernovae. ZTF informe les astronomes du monde entier de ces phénomènes transitoires en envoyant des centaines de milliers de signaux chaque nuit.

Les astronomes utilisent ensuite d’autres télescopes pour suivre et étudier la nature des objets changeants. Jusqu’à présent, les données ZTF ont conduit à la découverte de milliers de supernovae.

Matthew Graham, scientifique du projet pour ZTF et professeur-chercheur en astronomie à Caltech, a déclaré : "La notion traditionnelle d'un astronome assis à l'observatoire et examinant les images d'un télescope comporte beaucoup de romantisme mais s'éloigne de la réalité."

À l'aide d'algorithmes d'apprentissage automatique, les astronomes ont développé SNIascore pour classer les candidats supernovae. SNIascore peut classer ce que l’on appelle les supernovae de type Ia, ou les « bougies standards » dans le ciel. Ces étoiles mourantes explosent avec une explosion thermonucléaire d’une force constante.

Les scientifiques travaillent actuellement à étendre les capacités de l'algorithme pour classer d'autres types de supernovae dans un avenir proche.

Christoffer Fremling, astronome à Caltech et cerveau derrière le nouvel algorithme, surnommé SNIascore, a déclaré : « Nous avions besoin d'un coup de main, et nous savions qu'une fois nos ordinateurs formés à faire le travail, ils nous soulageraient d'une lourde charge. Le SNIascore a classé sa première supernova en avril 2021, et un an et demi plus tard, nous franchissons le cap des 1,000 XNUMX supernovae.

« Le SNIascore est remarquablement précis. Après 1,000 2021 supernovae, nous avons vu comment l’algorithme fonctionne dans le monde réel. Nous n’avons trouvé aucun événement mal classé depuis le lancement en avril XNUMX, et nous prévoyons de mettre en œuvre le même algorithme avec d’autres installations d’observation.

Ashish Mahabal, qui dirige les activités d'apprentissage automatique pour ZTF et est le principal scientifique en informatique et en données au Center for Data-Driven Discovery de Caltech, ajoute : « Ce travail démontre bien comment machine learning les applications arrivent à maturité dans l’astronomie en temps quasi réel.

Ashish Mahabal, un informaticien au Center for Data-Driven Discovery de Caltech qui dirige les activités d'apprentissage automatique pour ZTF, a affirmé Valérie Plante., "SNIascore s'ajoute à d'autres algorithmes et couches d'apprentissage automatique sous-jacents que nous avons développés pour ZTF, et il démontre bien comment les applications d'apprentissage automatique arrivent à maturité dans l'astronomie en temps quasi réel."