Het SNAD-team, een internationaal netwerk van onderzoekers, waaronder Matvey Kornilov, universitair hoofddocent van de HSE University Faculty of Physics, heeft 11 voorheen onopgemerkte ruimteafwijkingen ontdekt, waarvan zeven supernova-kandidaten. De onderzoekers analyseerden digitale beelden van de noordelijke hemel die in 2018 werden genomen met behulp van een k-D-boom om anomalieën te detecteren via de 'nearest-buur'-methode. Machine learning-algoritmen hielpen bij het automatiseren van de zoekopdracht. Het artikel is gepubliceerd in New Astronomy .

De meeste astronomische ontdekkingen zijn gebaseerd op waarnemingen met daaropvolgende berekeningen. Hoewel het totale aantal waarnemingen in de 20e eeuw nog relatief klein was, namen de hoeveelheden gegevens drastisch toe met de komst van grootschalige astronomische onderzoeken. Zo genereert de Zwicky Transient Facility (ZTF), die een groothoekcamera gebruikt om de noordelijke hemel te onderzoeken, ∼ 1,4 TB aan gegevens per observatienacht en de catalogus bevat miljarden objecten. Het handmatig verwerken van zulke enorme hoeveelheden gegevens is zowel duur als tijdrovend, dus het SNAD-team van onderzoekers uit Rusland, Frankrijk en de VS kwam samen om een ​​geautomatiseerde oplossing te ontwikkelen.

Wanneer wetenschappers astronomische objecten onderzoeken, observeren ze hun lichtcurven, die variaties van de helderheid van een object als functie van de tijd laten zien. De waarnemers identificeren eerst een lichtflits in de lucht en volgen vervolgens de evolutie ervan om te zien of het licht na verloop van tijd helderder of zwakker wordt of uitgaat. In deze studie onderzochten de onderzoekers een miljoen echte lichtcurven uit de ZTF-catalogus van 2018 en zeven gesimuleerde live-curvemodellen van de soorten objecten die worden bestudeerd. In totaal volgden ze zo'n 40 parameters, waaronder de amplitude van de helderheid van een object en het tijdsbestek.

"We hebben de eigenschappen van onze simulaties beschreven met behulp van een reeks kenmerken die naar verwachting zullen worden waargenomen in echte astronomische lichamen. In de dataset van ongeveer een miljoen objecten waren we op zoek naar superkrachtige supernova's, Type Ia-supernova's, Type II-supernova's en getijden verstoringen", legt Konstantin Malanchev uit, co-auteur van de paper en postdoc aan de Universiteit van Illinois in Urbana-Champaign. "We verwijzen naar dergelijke klassen van objecten als anomalieën. Ze zijn ofwel zeer zeldzaam, met weinig bekende eigenschappen, of lijken interessant genoeg om verder onderzoek te verdienen."

De lichtcurvegegevens van echte objecten werden vervolgens vergeleken met die van simulaties met behulp van het k-D-boomalgoritme. Een k-D-boom is een geometrische gegevensstructuur voor het opsplitsen van ruimte in kleinere delen door deze te knippen met hypervlakken, vlakken, lijnen of punten. In het huidige onderzoek werd dit algoritme gebruikt om het zoekbereik te verkleinen bij het zoeken naar echte objecten met eigenschappen die vergelijkbaar zijn met die beschreven in de zeven simulaties.

Vervolgens identificeerde het team 15 naaste buren, dwz echte objecten uit de ZTF-database, voor elke simulatie - 105 overeenkomsten in totaal, die de onderzoekers vervolgens visueel onderzochten om te controleren op afwijkingen. De handmatige verificatie bevestigde 11 anomalieën, waarvan zeven supernova-kandidaten en vier actieve galactische kernen-kandidaten waar getijdenverstoringen konden optreden.

"Dit is een zeer goed resultaat", zegt Maria Pruzhinskaya, co-auteur van de paper en research fellow aan het Sternberg Astronomical Institute. "Naast de reeds ontdekte zeldzame objecten, konden we verschillende nieuwe detecteren die eerder door astronomen werden gemist. Dit betekent dat bestaande zoekalgoritmen kunnen worden verbeterd om te voorkomen dat dergelijke objecten worden gemist."

Dit onderzoek toont aan dat de methode zeer effectief is, maar relatief eenvoudig toe te passen. Het voorgestelde algoritme voor het detecteren van ruimteverschijnselen van een bepaald type is universeel en kan worden gebruikt om alle interessante astronomische objecten te ontdekken, niet beperkt tot zeldzame soorten supernova's.

"Astronomische en astrofysische verschijnselen die nog niet zijn ontdekt, zijn in feite anomalieën", aldus Matvey Kornilov, universitair hoofddocent van de HSE University Faculty of Physics. "Hun waargenomen manifestaties zullen naar verwachting verschillen van de eigenschappen van bekende objecten. In de toekomst zullen we proberen onze methode te gebruiken om nieuwe klassen objecten te ontdekken." + Verder verkennen

Een nieuwe pijplijn voor anomaliedetectie voor astronomische ontdekkings- en aanbevelingssystemen