Wetenschappers van de Universiteit van Manchester die aan een revolutionair telescoopproject werken, hebben de kracht van gedistribueerd computergebruik van de Britse GridPP-samenwerking aangewend om een ​​van de grootste mysteries van het universum aan te pakken:de aard van donkere materie en donkere energie.

Onderzoekers van de Universiteit van Manchester hebben middelen gebruikt die zijn geleverd door GridPP - die de bijdrage van het VK aan het computerraster vertegenwoordigen dat wordt gebruikt om het Higgs-deeltje op CERN te vinden - om beeldverwerkings- en machine learning-algoritmen uit te voeren op duizenden afbeeldingen van sterrenstelsels uit de internationale Dark Energy Enquête.

Het Manchester-team maakt deel uit van het samenwerkingsproject om de Large Synoptic Survey Telescope (LSST) te bouwen, een nieuw soort telescoop die momenteel in aanbouw is in Chili en ontworpen is om een ​​10-jarig onderzoek van het dynamische heelal uit te voeren. LSST zal in staat zijn om de volledige zichtbare lucht in kaart te brengen.

Ter voorbereiding op de start van de LSST met zijn revolutionaire scanning, een proefonderzoeksproject heeft onderzoekers geholpen de kosmische afschuiving aan de nachtelijke hemel te detecteren en in kaart te brengen, een van de veelbetekenende tekenen van donkere materie en donkere energie waarvan wordt aangenomen dat ze ongeveer 95 procent uitmaken van wat we in het heelal zien. Dit zal op zijn beurt helpen bij de voorbereiding van de analyse van de verwachte 200 petabyte aan gegevens die de LSST zal verzamelen wanneer deze in 2023 van start gaat.

Het pilootonderzoeksteam van The Manchester of University werd geleid door Dr. Joe Zuntz, een kosmoloog oorspronkelijk bij de Jodrell Bank Observatory in Manchester en nu een onderzoeker bij de Royal Observatory in Edinburgh.

"Ons algemene doel is om het mysterie van het donkere universum aan te pakken - en dit proefproject is enorm belangrijk geweest. Wanneer de LSST volledig operationeel is, zullen onderzoekers worden geconfronteerd met een galactische gegevensvloed - en ons werk zal ons voorbereiden op de analytische uitdaging die voor ons ligt, " zei Sarah Hoofdstel, Hoogleraar astrofysica.

Dr George Beckett, de LSST-UK Science Center Project Manager gevestigd aan de Universiteit van Edinburgh, toegevoegd:"De pilot is een groot succes geweest. Nadat het werk was voltooid, Joe en zijn collega's zijn in staat om shear-analyses op grote beeldsets veel sneller uit te voeren dan voorheen het geval was. Dank aan de leden van de GridPP-gemeenschap voor hun hulp en steun gedurende het hele proces."

De LSST zal beelden produceren van sterrenstelsels in een grote verscheidenheid aan frequentiebanden van het zichtbare elektromagnetische spectrum, waarbij elke afbeelding andere informatie geeft over de aard en geschiedenis van de melkweg. In vervlogen tijden, de metingen die nodig zijn om eigenschappen zoals kosmische afschuiving te bepalen, kunnen met de hand zijn gedaan, of in ieder geval met computerverwerking onder toezicht van mensen.

Met de miljarden sterrenstelsels die naar verwachting door LSST zullen worden waargenomen, dergelijke benaderingen zijn onhaalbaar. Daarom is gespecialiseerde software voor beeldverwerking en machine learning (Zuntz 2013) ontwikkeld voor gebruik met sterrenstelselbeelden van telescopen zoals LSST en zijn voorgangers. Dit kan worden gebruikt om kosmische shear-kaarten te maken. De uitdaging wordt dan het verwerken en beheren van de gegevens voor honderdduizenden sterrenstelsels en het extraheren van wetenschappelijke resultaten die vereist zijn door LSST-onderzoekers en de bredere astrofysica-gemeenschap.

Aangezien elk sterrenstelsel in wezen onafhankelijk is van andere sterrenstelsels in de catalogus, de beeldverwerkingsworkflow zelf is in hoge mate parallelliseerbaar. Dit maakt het een ideaal probleem om aan te pakken met het soort High-Throughput Computing (HTP)-bronnen en -infrastructuur die door GridPP wordt aangeboden. Op veel manieren, de gegevens van de Large Hadron Collider-deeltjesbotsingsgebeurtenissen van CERN zijn vergelijkbaar met die geproduceerd door een digitale camera (inderdaad, pixelgebaseerde detectoren worden gebruikt in de buurt van de interactiepunten) - en GridPP verwerkt regelmatig miljarden van dergelijke gebeurtenissen als onderdeel van het Worldwide LHC Computing Grid (WLCG).

Een pilootoefening, geleid door Dr. Joe Zuntz terwijl hij aan de Universiteit van Manchester werkte en ondersteund door een van de langst dienende en meest ervaren GridPP-experts, Senior systeembeheerder Alessandra Forti, zag de overdracht van de beeldanalyse-workflow naar de gedistribueerde computerinfrastructuur van GridPP. Voor de pilot is gebruik gemaakt van gegevens uit de Dark Energy Survey (DES).

Na het overbrengen van deze gegevens van de VS naar GridPP Storage Elements, en het inschakelen van de virtuele LSST-organisatie op een aantal GridPP Tier-2-sites, het analysesoftwarepakket IM3SHAPE (Zuntz, 2013) werd getest op lokale, netvriendelijke clientmachines om een ​​soepele werking op het net te garanderen. Analysetaken werden vervolgens ingediend en beheerd met behulp van de Ganga-softwaresuite, die in staat is om de duizenden individuele analyses te coördineren die zijn gekoppeld aan elke batch sterrenstelsels. De eerste runs werden met Ganga ingediend bij lokale netwerksites, maar de pilot vorderde tot onderwerping aan meerdere sites via de GridPP DIRAC-service (Distributed Infrastructure with Remote Agent Control). De flexibiliteit van Ganga maakt beide soorten onderwerping mogelijk, waardoor de overgang van lokaal naar gedistribueerd draaien aanzienlijk eenvoudiger werd.

Tegen het einde van de pilot, Dr. Zuntz was in staat om de beeldverwerkingsworkflow op meerdere GridPP-sites uit te voeren, regelmatig duizenden analysetaken indienen op DES-afbeeldingen.