Wetenschap
Een ASAS-SN-telescoop helpt astronomen nieuwe sterren te ontdekken. Krediet:ASAS-SN
Astronomen van de Ohio State University hebben volgens een nieuw artikel ongeveer 116.000 nieuwe veranderlijke sterren geïdentificeerd.
Deze hemellichamen werden gevonden door The All-Sky Automated Survey for Supernovae (ASAS-SN), een netwerk van 20 telescopen over de hele wereld die de hele hemel ongeveer 50.000 keer dieper kunnen waarnemen dan het menselijk oog. Onderzoekers uit de staat Ohio hebben het project bijna tien jaar geleid.
Nu beschrijven onderzoekers in een paper gepubliceerd op arXiv, een open-access preprint-server, hoe ze machine learning-technieken gebruikten om variabele sterren te identificeren en classificeren - hemellichamen waarvan de helderheid in de loop van de tijd toeneemt en afneemt, vooral als ze worden waargenomen vanuit ons perspectief op aarde.
De veranderingen die deze sterren ondergaan, kunnen belangrijke informatie onthullen over hun massa, straal, temperatuur en zelfs hun samenstelling. In feite wordt zelfs onze zon als een veranderlijke ster beschouwd. Enquêtes zoals ASAS-SN zijn een bijzonder belangrijk hulpmiddel voor het vinden van systemen die de complexiteit van stellaire processen kunnen onthullen, zei Collin Christy, de hoofdauteur van het artikel en een ASAS-SN-analist in de staat Ohio.
"Variabele sterren zijn een soort stellair laboratorium," zei hij. "Het zijn echt mooie plekken in het universum waar we kunnen studeren en meer kunnen leren over hoe sterren eigenlijk werken en de kleine fijne kneepjes die ze allemaal hebben."
Maar om meer van deze ongrijpbare entiteiten te lokaliseren, moest het team eerst ongebruikte gegevens van het project binnenhalen. ASAS-SN staarde jarenlang naar de lucht met behulp van V-bandfilters, optische lenzen die alleen sterren kunnen identificeren waarvan het licht in het spectrum van kleuren valt dat met het blote oog zichtbaar is. Maar in 2018 verschoof het project naar het gebruik van g-bandfilters - lenzen die meer soorten blauw licht kunnen detecteren - en het netwerk ging van de mogelijkheid om ongeveer 60 miljoen sterren tegelijk te observeren tot meer dan 100 miljoen.
Maar in tegenstelling tot de burgerwetenschapscampagne van ASAS-SN, die afhankelijk is van vrijwilligers om astronomische gegevens te doorzoeken en te classificeren, had Christy's onderzoek de hulp van kunstmatige intelligentie nodig.
"Als je naar miljoenen sterren wilt kijken, is het voor een paar mensen onmogelijk om het alleen te doen. Het zal een eeuwigheid duren", zegt Tharindu Jayasinghe, co-auteur van het artikel, een doctoraalstudent astronomie en een Ohio State University. presidentiële collega. "Dus moesten we iets creatiefs in de mix brengen, zoals machine learning-technieken."
De nieuwe studie richtte zich op gegevens van Gaia, een missie om een driedimensionale kaart van onze melkweg in kaart te brengen, evenals van 2MASS en AllWISE. Christy's team gebruikte een machine learning-algoritme om een lijst van 1,5 miljoen kandidaat-variabele sterren te genereren uit een catalogus van ongeveer 55 miljoen geïsoleerde sterren.
Daarna brachten onderzoekers het aantal kandidaten nog verder terug. Van de 1,5 miljoen sterren die ze bestudeerden, bleken er bijna 400.000 echte veranderlijke sterren te zijn. Meer dan de helft was al bekend bij de astronomiegemeenschap, maar 116.027 daarvan bleken nieuwe ontdekkingen te zijn.
Hoewel de studie machinaal leren nodig had om het te voltooien, zegt Christy's team dat er nog steeds een rol is voor burgerwetenschappers. In feite zijn vrijwilligers met de burgerwetenschapscampagne al begonnen met het identificeren van ongewenste gegevens, zei hij. "Mensen laten vertellen hoe onze slechte gegevens eruit zien, is super handig, omdat het algoritme in eerste instantie naar de slechte gegevens zou kijken en proberen er iets van te begrijpen," zei Christy.
Maar door een trainingsset van al die slechte gegevens te gebruiken, kan het team de algehele prestaties van hun algoritme aanpassen en verbeteren. "Dit is de eerste keer dat we burgerwetenschap combineren met machine learning-technieken op het gebied van variabele sterrenastronomie", zegt Jayasinghe. "We verleggen de grenzen van wat je kunt doen als je die twee samenvoegt." + Verder verkennen
Wetenschap © https://nl.scienceaq.com