天文学家试图回答的许多当前令人兴奋的科学问题需要他们收集不同宇宙事件的大量样本。因此，现代天文台已成为无情的数据生成机器，每天晚上向天文学家发出数千个警报和图像。
来自 Zwicky Transient Facility 合作组织的天文学家使用机器学习算法 加州理工学院 成功对1000颗超新星进行自主分类。该算法应用于兹威基瞬态设施（ZTF）捕获的数据，ZTF是加州理工学院帕洛玛天文台的天空调查仪器。
每天晚上，ZTF 都会分析夜空是否存在称为瞬态事件的变化。这涵盖了一切，从运动中的小行星到最近被吞噬的恒星 黑洞 称为超新星的爆炸恒星。 ZTF 通过每晚发送数十万个信号来通知全世界的天文学家这些瞬态现象。
然后天文学家使用其他望远镜来跟踪和研究变化物体的性质。到目前为止，ZTF 数据已经发现了数千颗超新星。
ZTF 项目科学家、加州理工学院天文学研究教授 Matthew Graham 表示： “天文学家坐在天文台并通过望远镜图像进行筛选的传统观念带有很多浪漫主义色彩，但正在偏离现实。”
天文学家使用机器学习算法开发了 SNIascore 对候选者进行分类 超新星。 SNIascore 可以对 Ia 型超新星或天空中的“标准蜡烛”进行分类。这些垂死的恒星会发生强度一致的热核爆炸。
科学家们现在正致力于扩展该算法的能力，以便在不久的将来对其他类型的超新星进行分类。
加州理工学院天文学家克里斯托弗·弗雷姆林 (Christoffer Fremling) 是名为 SNIascore 的新算法的幕后策划者，他表示： “我们需要帮助，而且我们知道，一旦我们训练计算机来完成这项工作，它们就会减轻我们背上的很大负担。 SNIascore 于 2021 年 1,000 月对第一颗超新星进行了分类，一年半后，我们迎来了 XNUMX 颗超新星的美好里程碑。”
“SNIAscore 非常准确。经过 1,000 颗超新星之后，我们已经看到了该算法在现实世界中的表现。自 2021 年 XNUMX 月启动以来，我们没有发现错误分类的事件，我们计划在其他观测设施中实施相同的算法。”
Ashish Mahabal 是 ZTF 机器学习活动的负责人，也是加州理工学院数据驱动发现中心的首席计算和数据科学家，他补充道： “这项工作很好地展示了如何 机器学习 近实时天文学中的应用程序正在成熟。”
Ashish Mahabal 是加州理工学院数据驱动发现中心的计算科学家，负责 ZTF 的机器学习活动， 说过, “SNIascore 位于我们为 ZTF 开发的其他底层机器学习算法和层之上，它很好地展示了机器学习应用程序如何在近实时天文学中成熟。”
