Veel actuele en opwindende wetenschappelijke vragen die astronomen proberen te beantwoorden, vereisen dat ze grote steekproeven van verschillende kosmische gebeurtenissen verzamelen. Als gevolg hiervan zijn moderne astronomische observatoria meedogenloze gegevensgenererende machines geworden die elke nacht duizenden waarschuwingen en beelden naar astronomen sturen.
Met behulp van een machine learning-algoritme hebben astronomen van de Zwicky Transient Facility samengewerkt Caltech heeft met succes 1000 supernovae autonoom geclassificeerd. Het algoritme werd toegepast op gegevens die waren verzameld door de Zwicky Transient Facility, oftewel ZTF, een hemelonderzoeksinstrument gebaseerd op Caltech's Palomar Observatory.
Elke nacht analyseert ZTF de nachtelijke hemel op veranderingen die bekend staan als voorbijgaande gebeurtenissen. Dit omvat alles, van bewegende asteroïden tot onlangs verslonden sterren zwarte gaten tot exploderende sterren die supernova's worden genoemd. ZTF brengt astronomen over de hele wereld op de hoogte van deze voorbijgaande verschijnselen door elke nacht honderdduizenden signalen te verzenden.
Astronomen gebruiken vervolgens andere telescopen om de aard van de veranderende objecten op te volgen en te onderzoeken. Tot nu toe hebben ZTF-gegevens geleid tot de ontdekking van duizenden supernova's.
Matthew Graham, projectwetenschapper voor ZTF en onderzoeksprofessor in de astronomie bij Caltech, zei: “Het traditionele idee van een astronoom die bij het observatorium zit en de beelden van een telescoop doorzoekt, draagt veel romantiek in zich, maar dwaalt af van de realiteit.”
Met behulp van machine learning-algoritmen ontwikkelden astronomen SNIascore om kandidaten te classificeren supernovae. SNIascore kan classificeren wat bekend staat als Type Ia-supernovae, oftewel de ‘standaardkaarsen’ in de lucht. Deze stervende sterren ontploffen met een thermonucleaire explosie van constante kracht.
Wetenschappers werken nu aan het uitbreiden van de mogelijkheden van het algoritme om in de nabije toekomst andere soorten supernovae te classificeren.
Christoffer Fremling, een stafastronoom bij Caltech en het brein achter het nieuwe algoritme, genaamd SNIascore, zei: “We hadden een helpende hand nodig, en we wisten dat als we onze computers eenmaal hadden getraind om het werk te doen, ze een grote last van ons zouden wegnemen. SNIascore classificeerde zijn eerste supernova in april 2021, en anderhalf jaar later bereiken we een mooie mijlpaal van 1,000 supernova’s.”
“SNIascore is opmerkelijk nauwkeurig. Na 1,000 supernovae hebben we gezien hoe het algoritme in de echte wereld presteert. Sinds de lancering in april 2021 hebben we geen verkeerd geclassificeerde gebeurtenissen gevonden, en we zijn van plan hetzelfde algoritme te implementeren bij andere observatiefaciliteiten.”
Ashish Mahabal, die machine learning-activiteiten voor ZTF leidt en hoofd computationele en datawetenschapper is bij Caltech's Center for Data-Driven Discovery, voegt hieraan toe: “Dit werk laat goed zien hoe machine learning toepassingen worden volwassen in de bijna realtime astronomie.”
Ashish Mahabal, een computationeel wetenschapper bij Caltech's Center for Data-Driven Discovery, die machine learning-activiteiten voor ZTF leidt, zei, “SNIascore zit bovenop andere onderliggende machine learning-algoritmen en lagen die we voor ZTF hebben ontwikkeld, en laat goed zien hoe machine learning-toepassingen volwassen worden in bijna realtime astronomie.”
