Kunstmatige intelligentie classificeert echte supernova-explosies zonder het traditionele gebruik van spectra, dankzij een team van astronomen van het Center for Astrophysics | Harvard en Smithsonian. De volledige datasets en resulterende classificaties zijn openbaar beschikbaar voor open gebruik.

Door een machine learning-model te trainen om supernova's te categoriseren op basis van hun zichtbare kenmerken, de astronomen waren in staat om echte gegevens te classificeren van de Pan-STARRS1 Medium Deep Survey voor 2, 315 supernova's met een nauwkeurigheid van 82 procent zonder het gebruik van spectra.

De astronomen ontwikkelden een softwareprogramma dat verschillende soorten supernova's classificeert op basis van hun lichtcurven, of hoe hun helderheid in de loop van de tijd verandert. "We hebben ongeveer 2 500 supernova's met lichtkrommen van de Pan-STARRS1 Medium Deep Survey, en daarvan, 500 supernova's met spectra die kunnen worden gebruikt voor classificatie, zei Griffin Hosseinzadeh, een postdoctoraal onderzoeker bij het CfA en hoofdauteur van de eerste van twee artikelen gepubliceerd in Het astrofysische tijdschrift . "We hebben de classifier getraind met behulp van die 500 supernova's om de resterende supernova's te classificeren waar we het spectrum niet konden observeren."

Edo Berger, een astronoom van het CfA legde uit dat door de kunstmatige intelligentie te vragen om specifieke vragen te beantwoorden, de resultaten worden steeds nauwkeuriger. "De machine learning zoekt naar een correlatie met de originele 500 spectroscopische labels. We vragen het om de supernova's in verschillende categorieën te vergelijken:kleur, snelheid van evolutie, of helderheid. Door het te voeden met echte bestaande kennis, het leidt tot de hoogste nauwkeurigheid, tussen 80 en 90 procent."

Hoewel dit niet het eerste machine learning-project is voor de classificatie van supernova's, het is de eerste keer dat astronomen toegang hebben tot een echte dataset die groot genoeg is om een ​​op kunstmatige intelligentie gebaseerde supernovaclassificator te trainen, waardoor het mogelijk wordt om machine learning-algoritmen te maken zonder gebruik te maken van simulaties.

"Als je een gesimuleerde lichtcurve maakt, het betekent dat je een aanname doet over hoe supernova's eruit zullen zien, en uw classifier zal dan ook die aannames leren, " zei Hosseinzadeh. "De natuur zal altijd wat extra complicaties opleveren waar je geen rekening mee hebt gehouden, wat betekent dat uw classifier het niet zo goed zal doen op echte gegevens als op gesimuleerde gegevens. Omdat we echte gegevens hebben gebruikt om onze classifiers te trainen, het betekent dat onze gemeten nauwkeurigheid waarschijnlijk meer representatief is voor hoe onze classifiers zullen presteren bij andere onderzoeken." Aangezien de classifier de supernova's categoriseert, zei Berger, "We zullen ze zowel achteraf als in realtime kunnen bestuderen om de meest interessante gebeurtenissen te selecteren voor een gedetailleerde follow-up. We zullen het algoritme gebruiken om ons te helpen de naalden te vinden en ook om naar de hooiberg te kijken."

Het project heeft niet alleen gevolgen voor archiefgegevens, maar ook voor gegevens die door toekomstige telescopen zullen worden verzameld. Het Vera C. Rubin Observatorium zal naar verwachting in 2023 online gaan, en zal leiden tot de ontdekking van miljoenen nieuwe supernova's per jaar. Dit biedt zowel kansen als uitdagingen voor astrofysici, waar beperkte telescooptijd leidt tot beperkte spectrale classificaties.

"Als het Rubin Observatorium online gaat, zal het onze ontdekkingssnelheid van supernova's met een factor 100 verhogen, maar onze spectroscopische bronnen zullen niet toenemen, " zei Ashley Villar, een Simons Junior Fellow aan Columbia University en hoofdauteur van de tweede van de twee papers, eraan toevoegend dat terwijl ongeveer 10, Er worden momenteel elk jaar duizend supernova's ontdekt, wetenschappers nemen slechts spectra van ongeveer 10 procent van die objecten. "Als dit waar is, het betekent dat slechts 0,1 procent van de supernova's die elk jaar door het Rubin Observatorium worden ontdekt, een spectroscopisch label krijgen. De resterende 99,9 procent van de gegevens zal onbruikbaar zijn zonder methoden zoals de onze."

In tegenstelling tot eerdere pogingen, waar datasets en classificaties slechts voor een beperkt aantal astronomen beschikbaar waren, de datasets van het nieuwe machine learning-algoritme worden openbaar gemaakt. De astronomen hebben gebruiksvriendelijke, toegankelijke software, en heeft ook alle gegevens van Pan-STARRS1 Medium Deep Survey vrijgegeven, samen met de nieuwe classificaties voor gebruik in andere projecten. Hosseinzadeh zei:"Het was erg belangrijk voor ons dat deze projecten nuttig zouden zijn voor de hele supernovagemeenschap, niet alleen voor onze groep. Er zijn zoveel projecten die met deze gegevens kunnen worden gedaan dat we ze nooit allemaal zelf zouden kunnen doen." "Deze projecten zijn open data voor open science."