Mange aktuelle og spennende vitenskapelige spørsmål som astronomer prøver å svare på, krever at de samler inn store prøver av forskjellige kosmiske hendelser. Som et resultat har moderne astronomiske observatorier blitt nådeløse datagenererende maskiner som kaster tusenvis av varsler og bilder mot astronomer hver natt.
Ved å bruke en maskinlæringsalgoritme samarbeider astronomer fra Zwicky Transient Facility kl Caltech vellykket klassifisert 1000 supernovaer autonomt. Algoritmen ble brukt på data fanget av Zwicky Transient Facility, eller ZTF, et himmelundersøkelsesinstrument basert på Caltechs Palomar Observatory.
Hver natt analyserer ZTF nattehimmelen for endringer kjent som forbigående hendelser. Dette dekker alt, fra asteroider i bevegelse til nylig oppslukte stjerner svarte hull til eksploderende stjerner kalt supernovaer. ZTF varsler astronomer over hele verden om disse forbigående fenomenene ved å sende hundretusenvis av signaler hver natt.
Astronomer bruker deretter andre teleskoper for å følge opp og undersøke arten av de skiftende objektene. Så langt har ZTF-data ført til oppdagelsen av tusenvis av supernovaer.
Matthew Graham, prosjektforsker for ZTF og forskningsprofessor i astronomi ved Caltech, sa: "Den tradisjonelle forestillingen om en astronom som sitter ved observatoriet og sikter gjennom teleskopbilder bærer på mye romantikk, men driver bort fra virkeligheten."
Ved å bruke maskinlæringsalgoritmer utviklet astronomer SNIascore for å klassifisere kandidater supernovaer. SNIascore kan klassifisere det som er kjent som Type Ia supernovaer, eller "standard stearinlys" på himmelen. Disse døende stjernene slår til med en termonukleær eksplosjon med jevn styrke.
Forskere jobber nå med å utvide algoritmens evner for å klassifisere andre typer supernovaer i nær fremtid.
Christoffer Fremling, en stabsastronom ved Caltech og hjernen bak den nye algoritmen, kalt SNIascore, sa: «Vi trengte en hjelpende hånd, og vi visste at når vi først trente datamaskinene våre til å gjøre jobben, ville de ta en stor belastning fra ryggen vår. SNIascore klassifiserte sin første supernova i april 2021, og halvannet år senere når vi en fin milepæl på 1,000 supernovaer.»
"SNIascore er bemerkelsesverdig nøyaktig. Etter 1,000 supernovaer har vi sett hvordan algoritmen fungerer i den virkelige verden. Vi har ikke funnet noen feilklassifiserte hendelser siden lanseringen tilbake i april 2021, og vi planlegger å implementere den samme algoritmen med andre observasjonsfasiliteter.»
Ashish Mahabal, som leder maskinlæringsaktiviteter for ZTF og fungerer som ledende beregnings- og dataforsker ved Caltechs Center for Data-Driven Discovery, legger til: "Dette arbeidet viser godt hvordan maskinlæring applikasjoner begynner å bli voksen i nesten sanntids astronomi."
Ashish Mahabal, en beregningsforsker ved Caltechs senter for datadrevet oppdagelse som leder maskinlæringsaktiviteter for ZTF, sa, "SNIascore ligger på toppen av andre underliggende maskinlæringsalgoritmer og lag som vi har utviklet for ZTF, og det demonstrerer godt hvordan maskinlæringsapplikasjoner blir voksen i nesten sanntidsastronomi."
