Maskininlärningsverktyg klassificerar autonomt 1 000 supernovor

Algoritm hjälper astronomer att sålla igenom upptäckter från Zwicky Transient Facility. Kredit: California Institute of Technology

Astronomer vid Caltech har använt en maskininlärningsalgoritm för att klassificera 1 000 supernovor helt autonomt. Algoritmen tillämpades på data som fångats av Zwicky Transient Facility, eller ZTF, ett himmelundersökningsinstrument baserat på Caltechs Palomar Observatory.

“Vi behövde en hjälpande hand, och vi visste att när vi väl tränat våra datorer för att göra jobbet, så skulle de ta en stor belastning från våra ryggar”, säger Christoffer Fremling, en stabsastronom på Caltech och hjärnan bakom den nya algoritmen, kallad SNIascore. “SNIascore klassificerade sin första supernova i april 2021, och ett och ett halvt år senare når vi en trevlig milstolpe med 1 000 supernovor.”

ZTF skannar natthimlen varje natt för att leta efter förändringar som kallas övergående händelser. Detta inkluderar allt från rörliga asteroider till svarta hål som just har ätit stjärnor till exploderande stjärnor som kallas supernovor. ZTF skickar ut hundratusentals varningar per natt till astronomer runt om i världen och meddelar dem om dessa övergående händelser. Astronomerna använder sedan andra teleskop för att följa upp och undersöka arten av de föränderliga objekten. Hittills har ZTF-data lett till upptäckten av tusentals supernovor.

Men med obevekliga mängder data som strömmar in varje natt, kan medlemmar i ZTF-teamet inte sortera igenom all data på egen hand.

“Den traditionella föreställningen om en astronom som sitter vid observatoriet och siktar genom teleskopbilder bär på mycket romantik men driver bort från verkligheten”, säger Matthew Graham, projektforskare för ZTF och forskningsprofessor i astronomi vid Caltech.






Maskininlärningsalgoritmen klassificerade 1 000 supernovor helt autonomt med hjälp av data som fångats av ZTF, som är baserad på Caltechs Palomar Observatory nära San Diego. Det tomma området i videon längst ner till höger representerar regioner på den södra himlen som inte kan ses från Palomarberget.

Istället har teamet utvecklat maskininlärningsalgoritmer för att underlätta sökningarna. De utvecklade SNIascore för uppgiften att klassificera kandidatsupernovor. Supernovor finns i två breda klasser: typ I och typ II. Supernovor av typ I saknar väte, medan supernovor av typ II är rika på väte. Den vanligaste supernovan av typ I uppstår när en massiv stjärna stjäl materia från en angränsande stjärna, vilket utlöser en termonukleär explosion. En supernova av typ II uppstår när en massiv stjärna kollapsar under sin egen gravitation.

För närvarande kan SNIascore klassificera vad som kallas supernovor av typ Ia, eller “standardljusen” på himlen. Dessa är döende stjärnor som smäller med en termonukleär explosion av konstant styrka. Supernovor av typ Ia tillåter astronomer att mäta universums expansionshastighet. Fremling och kollegor arbetar för närvarande med att utöka algoritmens möjligheter att klassificera andra typer av supernovor inom en snar framtid.

Varje natt, efter att ZTF har fångat blixtar på himlen som kan vara supernovor, skickar den data till en spektrograf på Palomar som är inrymd i en kupol bara några hundra meter bort, kallad SEDM (Spectral Energy Distribution Machine). SNIascore arbetar med SEDM för att sedan klassificera vilka supernovor som sannolikt är typ Ia. Resultatet är att ZTF-teamet snabbt bygger en mer tillförlitlig datamängd av supernovor för astronomer att undersöka ytterligare och i slutändan lära sig om fysiken bakom de kraftfulla stjärnexplosionerna.

“SNIAscore är anmärkningsvärt exakt. Efter 1 000 supernovor har vi sett hur algoritmen fungerar i den verkliga världen”, säger Fremling. “Vi har inte hittat några tydligt felklassificerade händelser sedan lanseringen tillbaka i april 2021, och vi planerar nu att implementera samma algoritm med andra observationsanläggningar.”

Ashish Mahabal, som leder maskininlärningsaktiviteter för ZTF och fungerar som ledande dator- och dataforskare vid Caltechs Center for Data Driven Discovery, tillägger: “Detta arbete visar väl hur maskininlärningsapplikationer blir myndiga i nära realtidsastronomi.”

Tillhandahålls av California Institute of Technology

Citat: Maskininlärningsverktyg klassificerar autonomt 1 000 supernovor (2022, 23 november) hämtade 23 november 2022 från https://phys.org/news/2022-11-machine-tools-autonomously-supernovae.html

Detta dokument är föremål för upphovsrätt. Bortsett från all rättvis handel i syfte att privata studier eller forskning, får ingen del reproduceras utan skriftligt tillstånd. Innehållet tillhandahålls endast i informationssyfte.

Leave a Comment

Your email address will not be published. Required fields are marked *