Ao treinar um modelo de aprendizado de máquina para categorizar supernovas com base em suas características visíveis, os astrônomos foram capazes de classificar dados reais do Pan-STARRS1 Medium Deep Survey para 2.315 supernovas com uma taxa de precisão de 82 por cento sem o uso de espectros.
Os astrônomos desenvolveram um programa de software que classifica diferentes tipos de supernovas com base em suas curvas de luz, ou como seu brilho muda com o tempo. "Temos aproximadamente 2.500 supernovas com curvas de luz do Pan-STARRS1 Medium Deep Survey e, dessas, 500 supernovas com espectros que podem ser usados para classificação", disse Griffin Hosseinzadeh, um pesquisador de pós-doutorado no CfA e autor principal do primeiro de dois artigos publicados no The Astrophysical Journal . "Treinamos o classificador usando essas 500 supernovas para classificar as supernovas restantes onde não fomos capazes de observar o espectro".
Edo Berger, astrônomo do CfA, explicou que, ao pedir à inteligência artificial para responder a perguntas específicas, os resultados se tornam cada vez mais precisos. "O aprendizado de máquina procura uma correlação com os 500 rótulos espectroscópicos originais. Pedimos a ele para comparar as supernovas em diferentes categorias: cor, taxa de evolução ou brilho. Ao alimentar o conhecimento real existente, ele leva à maior precisão, entre 80 e 90 por cento".
Embora este não seja o primeiro projeto de aprendizado de máquina para classificação de supernovas, é a primeira vez que os astrônomos tiveram acesso a um conjunto de dados reais grande o suficiente para treinar um classificador de supernovas baseado em inteligência artificial, tornando possível criar algoritmos de aprendizado de máquina sem o uso de simulações.
"Se você fizer uma curva de luz simulada, significa que está fazendo uma suposição sobre a aparência das supernovas e seu classificador aprenderá essas suposições também", disse Hosseinzadeh. "A natureza sempre lançará algumas complicações adicionais nas quais você não levou em consideração, o que significa que seu classificador não se sairá tão bem com dados reais quanto com dados simulados. Como usamos dados reais para treinar nossos classificadores, isso significa que nossa precisão medida é provavelmente mais representativo do desempenho de nossos classificadores em outras pesquisas. " Conforme o classificador categoriza as supernovas, disse Berger: "Seremos capazes de estudá-los em retrospecto e em tempo real para escolher os eventos mais interessantes para um acompanhamento detalhado. Usaremos o algoritmo para nos ajudar a escolher as agulhas e também para olhar o palheiro ".
O projeto tem implicações não apenas para os dados de arquivo, mas também para os dados que serão coletados por futuros telescópios. O Observatório Vera C. Rubin deverá entrar em operação em 2023 e levará à descoberta de milhões de novas supernovas a cada ano. Isso apresenta oportunidades e desafios para os astrofísicos, onde o tempo limitado do telescópio leva a classificações espectrais limitadas.
"Quando o Observatório Rubin ficar online, ele aumentará nossa taxa de descoberta de supernovas em 100 vezes, mas nossos recursos espectroscópicos não aumentarão", disse Ashley Villar, Simons Junior Fellow da Universidade de Columbia e autora principal do segundo dos dois artigos , acrescentando que, embora cerca de 10.000 supernovas sejam descobertas a cada ano, os cientistas coletam apenas espectros de cerca de 10% desses objetos. "Se isso for verdade, significa que apenas 0,1 por cento das supernovas descobertas pelo Observatório Rubin a cada ano receberão um rótulo espectroscópico. Os 99,9 por cento restantes dos dados serão inutilizáveis sem métodos como o nosso".
Ao contrário dos esforços anteriores, em que os conjuntos de dados e classificações estavam disponíveis apenas para um número limitado de astrônomos, os conjuntos de dados do novo aprendizado de máquinaalgoritmo será disponibilizado publicamente. Os astrônomos criaram um software fácil de usar e acessível, e também divulgaram todos os dados do Pan-STARRS1 Medium Deep Survey junto com as novas classificações para uso em outros projetos. Hosseinzadeh disse: "É muito importante para nós que esses projetos sejam úteis para toda a comunidade de supernovas, não apenas para o nosso grupo. Há tantos projetos que podem ser feitos com esses dados que nunca poderíamos fazer todos nós mesmos." Berger acrescentou: "Esses projetos são dados abertos para a ciência aberta".
Explore mais
G. Hosseinzadeh et al. Classificação fotométrica de 2315 Supernovas Pan-STARRS1 com Superphot. The Astrophysical Journal , 2020, 17 de dezembro, DOI: 10.3847 / 1538-4357 / abc42b , pré-impressão: arxiv.org/pdf/2008.04912.pdf
Nenhum comentário:
Postar um comentário