Caltech-Forschung stellt „SNIascore“ vor, eine Methode zur spektroskopischen Klassifizierung thermonuklearer Supernovae (SNe Ia) aus Daten mit sehr niedriger Auflösung (R 100) auf der Grundlage von Deep Learning. Das Ziel von SNIascore ist es, die Klassifizierung von SNe Ia mit einer sehr niedrigen Falsch-Positiv-Rate (FPR) vollständig zu automatisieren, sodass die Menschen weniger Arbeit leisten müssen.
In der öffentlichen Zwicky Transient Facility (ZTF), Bright Transient Surveys und anderen groß angelegten Bemühungen zur Klassifizierung von SNs (BTS). Sie verwenden eine rekurrente neuronale Netzwerkarchitektur mit Langzeitgedächtnis, die in zwei Richtungen arbeitet, und rekurrente Einheitsschichten, die von Gates gesteuert werden. SNIascore hat eine FPR von 0,6 % und kann bis zu 90 % der niedrig aufgelösten SN Ia-Spektren des BTS klassifizieren. SNIascore führt eine binäre Klassifizierung und Regression durch, um die Rotverschiebungen von sicherem SNeIa vorherzusagen. Bei Verwendung von SNIascore mit der magnitudenbegrenzten ZTF-BTS-Umfrage (70 % SNe Ia) reduziert sich die Anzahl der Spektren, die klassifiziert oder von einer Person bestätigt werden müssen, um etwa 60 %.
SNIascore ermöglicht auch, dass SN Ia-Ratings automatisch in Echtzeit der Öffentlichkeit bekannt gegeben werden, direkt nachdem eine nächtliche Beobachtung durchgeführt wurde.
Astronomen versuchen, einige der aufregendsten und wichtigsten wissenschaftlichen Fragen von heute zu beantworten, was oft erfordert, dass sie viele Informationen über verschiedene kosmische Ereignisse sammeln. So sind moderne astronomische Observatorien zu Maschinen geworden, die den Astronomen jede Nacht Zehntausende von Warnungen und Bildern senden. Dies gilt insbesondere für die Zeitbereichsastronomie, wo Wissenschaftler nach Objekten suchen, die sich schnell ändern, sogenannte Transienten. Dazu gehören Sterne, die explodieren und sterben, sogenannte Supernovae, und Schwarze Löcher, die umkreisende Sterne, Asteroiden und andere Dinge fressen.
Der vorgeschlagene maschinelle Lernalgorithmus ist viel schneller bei der Klassifizierung möglicher Supernova-Kandidaten und teilt die Ergebnisse mit der astronomischen Gemeinschaft. Es gibt Astronomen auch mehr Zeit, um an anderen wissenschaftlichen Fragen zu arbeiten. Mit SNIascore dauert der Vorgang etwa zehn Minuten statt zwei bis drei Tage. Explosionen im Weltraum müssen so schnell wie möglich gefunden werden, damit Wissenschaftler mehr über ihre Funktionsweise erfahren können.
Derzeit kann SNIascore nur Supernovae vom Typ Ia klassifizieren, die von Astronomen als „Standardkerzen“ verwendet werden, um zu messen, wie schnell sich das Universum ausdehnt. Diese Sterne sterben, und wenn sie explodieren, tun sie dies mit einem starken thermonuklearen Knall.
SNIascore ist nun für die Arbeit mit dem Spectral Energy Distribution Machine (SEDM)-Spektrographen eingerichtet, der sich in einer Kuppel des Palomar-Observatoriums befindet, nur wenige hundert Meter von der ZTF-Kamera entfernt. ZTF beobachtet die ganze Zeit den Himmel und sendet Astronomen auf der ganzen Welt jede Nacht Zehntausende von Warnungen über mögliche kosmische Transienten. Der SEDM-Spektrograph ist darauf aus, die interessantesten zu überwachen und zu betrachten. Es erstellt ein Spektrum des kosmischen Ereignisses, das zeigt, wie stark die verschiedenen Lichtfrequenzen von der Teleskopkamera erfasst wurden. Dank dieses Spektrums können Astronomen sicher sein, welche Art von Ereignis sie sehen. Der Forscher verwendete intelligente maschinelle Lerntechniken, um SNIascore beizubringen, die SEDM-Spektren richtig zu lesen.
Forscher nehmen derzeit Änderungen an SNIascore vor, um mit dem neuen SEDMv2-Spektrographen zu arbeiten, der auf dem 2,1-m-Teleskop platziert wird. SEDMv2 wird eine verbesserte Version von SEDM sein. Es wird in der Lage sein, weniger helle Supernovae zu finden und zu klassifizieren. Derzeit klassifiziert SNIascore durchschnittlich etwa zwei Supernovae pro Nacht. Diese Zahl kann sich verdoppeln, wenn SEDMv2 verwendet wird.
Die Vorteile von SNIascore gehen über die schnelle und zuverlässige Erstellung großer Datensätze von Supernovae hinaus. Astronomen, die nach anderen Arten von transienten Ereignissen suchen, können Kandidaten, die laut SNIascore Supernovae sind, schnell ausschließen. Dies bedeutet, dass keine Teleskopzeit verschwendet wird, um es zu verfolgen, wenn nach anderen Arten von Explosionen im Weltraum gesucht wird.
Andere Versuche, transiente Ereignisse zu klassifizieren, verwenden ebenfalls maschinelles Lernen, aber sie verwenden nur die „Lichtkurve“ des Ereignisses oder die Lichtmenge, die das Teleskop im Laufe der Zeit sieht. SNIascore ist gut, weil es auf spektroskopischen Informationen trainiert ist und diese verwendet, was der einzige zuverlässige Weg ist, um zu bestätigen, was die meisten Transienten sind. Der Code für den Algorithmus ist öffentlich, sodass andere Gruppen ihn ändern können, damit er mit ihren Teleskopen funktioniert.
schaue auf die Papier und Referenzartikel. Alle Anerkennung für diese Forschung geht an die Forscher dieses Projekts. Vergessen Sie nicht, auch mitzumachen unsere Reddit-Seite und Discord-KanalHier teilen wir die neuesten KI-Forschungsnachrichten, coole KI-Projekte und mehr.
Ashish Kumar ist Beratungspraktikant bei MarkechPost. Derzeit verfolgt er sein Btech-Studium am Indian Institute of Technology (IIT), Kanpur. Er interessiert sich leidenschaftlich für die Erforschung neuer technologischer Entwicklungen und deren Anwendung in der Praxis.
