Wiele aktualnych i ekscytujących pytań naukowych, na które astronomowie próbują odpowiedzieć, wymaga od nich zebrania dużych próbek różnych wydarzeń kosmicznych. W rezultacie współczesne obserwatoria astronomiczne stały się bezlitosnymi maszynami generującymi dane, które każdej nocy wysyłają do astronomów tysiące ostrzeżeń i obrazów.
Korzystając z algorytmu uczenia maszynowego, astronomowie ze współpracy Zwicky Transient Facility przy Caltech udało się samodzielnie sklasyfikować 1000 supernowych. Algorytm zastosowano do danych zarejestrowanych przez Zwicky Transient Facility, w skrócie ZTF, instrument do badania nieba znajdujący się w Obserwatorium Palomar w Caltech.
Każdej nocy ZTF analizuje nocne niebo pod kątem zmian zwanych zdarzeniami przejściowymi. Dotyczy to wszystkiego, od asteroid w ruchu po niedawno pochłonięte gwiazdy czarne dziury do eksplodujących gwiazd zwanych supernowymi. ZTF powiadamia astronomów na całym świecie o tych przejściowych zjawiskach, wysyłając co noc setki tysięcy sygnałów.
Następnie astronomowie korzystają z innych teleskopów, aby śledzić i badać naturę zmieniających się obiektów. Jak dotąd dane ZTF doprowadziły do odkrycia tysięcy supernowych.
Matthew Graham, naukowiec zajmujący się projektem w ZTF i profesor astronomii w Caltech, powiedział: „Tradycyjne wyobrażenie astronoma siedzącego w obserwatorium i przeglądającego obrazy z teleskopu niesie ze sobą wiele romantyzmu, ale odbiega od rzeczywistości”.
Wykorzystując algorytmy uczenia maszynowego, astronomowie opracowali SNIascore do klasyfikacji kandydatów supernowe. SNIascore może klasyfikować tak zwane supernowe typu Ia, czyli „standardowe świece” na niebie. Te umierające gwiazdy wybuchają eksplozją termojądrową o stałej sile.
Naukowcy pracują obecnie nad rozszerzeniem możliwości algorytmu, aby w najbliższej przyszłości móc klasyfikować inne typy supernowych.
Christoffer Fremling, astronom pracujący w Caltech i twórca nowego algorytmu, nazwanego SNIascore, powiedział: „Potrzebowaliśmy pomocnej dłoni i wiedzieliśmy, że gdy przeszkolimy nasze komputery do wykonywania tego zadania, zdejmą one z naszych pleców duży ciężar. SNIascore sklasyfikował swoją pierwszą supernową w kwietniu 2021 r., a półtora roku później osiągnęliśmy piękny kamień milowy w postaci 1,000 supernowych”.
„SNIascore jest niezwykle dokładny. Po 1,000 supernowych widzieliśmy, jak algorytm radzi sobie w świecie rzeczywistym. Od czasu wystrzelenia w kwietniu 2021 r. nie znaleźliśmy żadnych błędnie sklasyfikowanych zdarzeń i planujemy wdrożyć ten sam algorytm w innych obiektach obserwacyjnych”.
Ashish Mahabal, który kieruje działaniami związanymi z uczeniem maszynowym w ZTF i jest głównym analitykiem obliczeniowym i analitykiem danych w Centrum Odkrywania Opartym na Danych w Caltech, dodaje: „Ta praca dobrze pokazuje, jak to zrobić uczenie maszynowe aplikacje zyskują na popularności w astronomii czasu zbliżonego do rzeczywistego.”
Ashish Mahabal, informatyk w Caltech’s Center for Data-Driven Discovery, który prowadzi działania związane z uczeniem maszynowym dla ZTF, powiedziany, „SNIascore opiera się na innych podstawowych algorytmach i warstwach uczenia maszynowego, które opracowaliśmy dla ZTF i dobrze pokazuje, jak aplikacje do uczenia maszynowego dojrzewają w astronomii czasu bliskiego rzeczywistemu”.
